Collaborating to Innovate and Improve Patient-Centred Care at Hamilton Health Sciences
Notice bibliographique
Résumé
Although working in teams is common for most healthcare practitioners today, the Romanow Report (2002) directed our collective attention towards the need for effective interprofessional collaboration in primary healthcare settings. Subsequently, federal policy and funding agencies like CANARIE Inc. and the Office of Learning Technologies have focused efforts on promoting interprofessional practice using new technologies. Ideally, effective interprofessional collaboration leads to improvements in patient care ‐ yet how do organizations assess where they are and need to go with respect to optimizing teamwork and collaborative practice to improve patient care? This was exactly the design challenge taken up by Hamilton Health Sciences (HHS) in a recent collaborative pilot project with the Institute of Knowledge Innovation and Technology (IKIT) at the Ontario Institute for Studies in Education of the University of Toronto. An interprofessional Task Force was struck to develop a new philosophy of patient care for HHS (Cunningham et al., in press; Russell et al. 2004). The main challenge was to shift teamwork from exclusive reliance on face-to-face meetings and use of one-way communications technologies (e.g., voice mail and e-mail) towards asynchronous collaboration in a communal database technology called Knowledge Forum®. Over the past 18 months, results of the project reveal that participation in Knowledge Forum® successfully supported interprofessional teamwork and collaboration; democratized the knowledge-creation process; reduced turnaround times for interprofessional teamwork; and provided an ideal environment for sharing multiple sources of evidence, including patient survey data to support the knowledge-creation process. New technologies that support interprofessional teams to produce public knowledge of value to the local and extended community (such as the new philosophy of patient-centred care that emerged in this project) are powerful mediums for hospital based teamwork.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 ».