Emerging Role of Quality Indicators in Physical Therapist Practice and Health Service Delivery
Notice bibliographique
Résumé
Quality-based care is a hallmark of physical therapy. Treatment effectiveness must be evident to patients, managers, employers, and funders. Quality indicators (QIs) are tools that specify the minimum acceptable standard of practice. They are used to measure health care processes, organizational structures, and outcomes that relate to aspects of high-quality care of patients. Physical therapists can use QIs to guide clinical decision making, implement guideline recommendations, and evaluate and report treatment effectiveness to key stakeholders, including third-party payers and patients. Rehabilitation managers and senior decision makers can use QIs to assess care gaps and achievement of benchmarks as well as to guide quality improvement initiatives and strategic planning. This article introduces the value and use of QIs to guide clinical practice and health service delivery specific to physical therapy. A framework to develop, select, report, and implement QIs is outlined, with total joint arthroplasty rehabilitation as an example. Current initiatives of Canadian and American physical therapy associations to develop tools to help clinicians report and access point-of-care data on patient progress, treatment effectiveness, and practice strengths for the purpose of demonstrating the value of physical therapy to patients, decision makers, and payers are discussed. Suggestions on how physical therapists can participate in QI initiatives and integrate a quality-of-care approach in clinical practice are made.
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 | 0,186 | 0,328 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,014 | 0,021 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».