Quality improvement practices used by teaching versus non-teaching trauma centres: analysis of a multinational survey of adult trauma centres in the United States, Canada, Australia, and New Zealand
Notice bibliographique
Résumé
BACKGROUND: Although studies have suggested that a relationship exists between hospital teaching status and quality improvement activities, it is unknown whether this relationship exists for trauma centres. METHODS: We surveyed 249 adult trauma centres in the United States, Canada, Australia, and New Zealand (76% response rate) regarding their quality improvement programs. Trauma centres were stratified into two groups (teaching [academic-based or -affiliated] versus non-teaching) and their quality improvement programs were compared. RESULTS: All participating trauma centres reported using a trauma registry and measuring quality of care. Teaching centres were more likely than non-teaching centres to use indicators whose content evaluated treatment (18% vs. 14%, p < 0.001) as well as the Institute of Medicine aim of timeliness of care (23% vs. 20%, p < 0.001). Non-teaching centres were more likely to use indicators whose content evaluated triage and patient flow (15% vs. 18%, p < 0.001) as well as the Institute of Medicine aim of efficiency of care (25% vs. 30%, p < 0.001). While over 80% of teaching centres used time to laparotomy, pulmonary complications, in hospital mortality, and appropriate admission physician/service as quality indicators, only two of these (in hospital mortality and appropriate admission physician/service) were used by over half of non-teaching trauma centres. The majority of centres reported using morbidity and mortality conferences (96% vs. 97%, p = 0.61) and quality of care audits (94% vs. 88%, p = 0.08) while approximately half used report cards (51% vs. 43%, p = 0.22). CONCLUSIONS: Teaching and non-teaching centres reported being engaged in quality improvement and exhibited largely similar quality improvement activities. However, differences exist in the type and frequency of quality indicators utilized among teaching versus non-teaching trauma centres.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».