Impact of a quality improvement program on primary healthcare in Canada: A mixed-method evaluation
Notice bibliographique
Résumé
PURPOSE: Rigorous comprehensive evaluations of primary healthcare (PHC) quality improvement (QI) initiatives are lacking. This article describes the evaluation of the Quality Improvement and Innovation Partnership Learning Collaborative (QIIP-LC), an Ontario-wide PHC QI program targeting type 2 diabetes management, colorectal cancer (CRC) screening, access to care, and team functioning. METHODS: This article highlights the primary outcome results of an external retrospective, multi-measure, mixed-method evaluation of the QIIP-LC, including: (1) matched-control pre-post chart audit of diabetes management (A1c/foot exams) and rate of CRC screening; (2) post-only advanced access survey (third-next available appointment); and (3) post-only semi-structured interviews (team functioning). RESULTS: Chart audit data was collected from 34 consenting physicians per group (of which 88% provided access data). Between-group differences were not statistically significant (A1c [p=0.10]; foot exams [p=0.45]; CRC screening [p=0.77]; advanced access [p=0.22]). Qualitative interview (n=42) themes highlighted the success of the program in helping build interdisciplinary team functioning and capacity. CONCLUSION: The rigorous design and methodology of the QIIP-LC evaluation utilizing a control group is one of the most significant efforts thus far to demonstrate the impact of a QI program in PHC, with improvements over time in both QIIP and control groups offering a likely explanation for the lack of statistically significant primary outcomes. Team functioning was a key success, with team-based chronic care highlighted as pivotal for improved health outcomes. Policy makers should strive to endorse QI programs with proven success through rigorous evaluation to ensure evidence-based healthcare policy and funding.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».