A Model for Performance Evaluation of Emergency Department Physicians
Notice bibliographique
Résumé
Performance of Emergency Department (ED) physicians (MDs) is multi-faceted since it impacts multiple dimensions such as health outcomes of patients, utilization of resources, throughput of patients and timeliness of care. Therefore, the assessment of their performance demands the use of a tool that allows considering multiple evaluation criteria. However, commonly used multi-criteria evaluation methods often require assigning weights to dimensions in order to define their relative importance on a final performance score. This feature introduces subjectivity in the development of weights and has the potential to produce biased results. The purpose of this thesis research is to develop a multi-dimensional evaluation tool for evaluating performance of ED MDs. The proposed evaluation tool relies on a mathematical programming model known as Data Envelopment Analysis (DEA). The use of DEA does not ask for subjective weighting assignments for each dimension that describe the ED MDs’ performance. It is capable of considering multiple heterogeneous performance measures to identify benchmark practice and the individual improvements leading to best practice of each evaluated unit. The DEA model described here was developed from real data to assess the performance of 20 PED MDs from the Children’s Hospital of Eastern Ontario (CHEO). Multiple evaluations were run on stratified data in order to identify benchmark practice in each of seven categories of patients’ complaints and to determine the impact of accompanying MD trainees on PED MDs’ performance. For each PED MD, performance scores and improvements in each category of patients’ complaints (i.e. respiratory, trauma, abdominal, fever, gastroenterology, allergy and Ear-Nose-Throat complaints) were determined. This helped identifying the required improvements that would lead PED MDs to achieve benchmark performance. Regarding the influence of MD trainees on PED MDs’ performance, results show that most PED MDs (15 out of 20) perform better when they are not accompanied by a trainee which motivates further research to assess trade-offs between teaching and clinical performance. In summary, DEA proved to be an appropriate tool for performance evaluation of PED MDs because it helped to identify benchmark performers and provided information for performance improvements under a multi dimensional performance evaluation framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».