Safer Care - Measuring to Manage and Improve
Notice bibliographique
Résumé
Developing Information for Improving Safetyearly as the 17th century BC, Hammurabi's Code acknowledged that harm might result from medical care.Interest in measuring patient safety to support quality improvement emerged more recently, but is by no means new.Around 1910, for example, Ernest Codman advocated a focus on "end results," taking comprehensive measurements during and following care in order to help prevent undesirable outcomes.Similarly, Florence Nightingale documented survival rates for surgical patients during the Crimean War.Fast-forward to today and patient safety is on the agenda worldwide.In Canada the first nationwide study of adverse events in hospitals was published in 2004 (Baker et al. 2004).Healthcare providers, the new Canadian Patient Safety Institute, provincial institutes and task forces, and many others are working to respond to the results of the study.While medical practice has changed since the days of Ernest Codman, what has not changed is the focus on having good information to guide quality improvement efforts.Measures are required at a variety of levels (see Figure 1).For instance, broad-based global metrics provide information about the prevalence of adverse events and their impact on patients.Healthcare organizations often seek to track patient safety outcomes for their patients, as well as related processes of care.Individual quality improvement teams also require detailed information to monitor their progress in specific areas.This information may be collected as part of rapid cycle improvement or other change processes and will evolve over time depending on the focus of quality improvement efforts.
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 | 0,043 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,019 |
| Communication savante | 0,014 | 0,029 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».