How to measure innovation in radiotherapy: an application of the Delphi method
Notice bibliographique
Résumé
Objective: Innovation is an important driver for improving the quality of health care, yet a tension exists between innovation and providing cost-effective health care. To develop strategies that promote innovation, parameters are needed that are indicative of innovation. However, no recognised indicators of innovation in radiotherapy are currently available. The aim of this study is to fill that gap by providing a framework for measuring innovation. This should facilitate future multi-centric studies on strategies aimed at promoting innovation in radiotherapy.Methods: We applied the Delphi method in four rounds. The chairpersons of all Dutch radiotherapy departments were asked to suggest indicators. The resulting inventory was assessed by a number of Dutch radiation oncologists, medical physicists and managers. After implementig a cut-off score on suitability and measurability, we asked Dutch professors on innovation to assess the remaining indicators. Finally, the chairpersons reached consensus.Results: On the basis of the Delphi study, we derived 13 indicators in four categories, more specific product innovation, technology innovation, market innovation and organisational innovation, for measuring both incremental and radical innovations in radiotherapy; these indicators are also suitable for measuring the generation and adoption of innovations.Conclusions: We were successful in reaching consensus amongst the experts on indicators that measure innovations in radiotherapy. The developed tool will be used to investigate the relation between innovation and possible factors inhibiting or stimulating successful innovation and between the level of innovation and its effects.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».