Factors affecting implementation of accreditation programmes and the impact of the accreditation process on quality improvement in hospitals: a SWOT analysis
Notice bibliographique
Résumé
OBJECTIVES: The objectives of this review were to identify factors that influence implementation of hospital accreditation programmes and to assess the impact of the accreditation process on quality improvement in public hospitals. DATA SOURCES: Two electronic databases, Medline (OvidSP) and PubMed, were systematically searched. STUDY SELECTION: "Public hospital", "hospital accreditation", and "quality improvement" were used as the search terms. A total of 348 citations were initially identified. After critical appraisal and study selection, 26 articles were included in the review. DATA EXTRACTION: The data were extracted and analysed using a SWOT (strengths, weaknesses, opportunities, threats) analysis. DATA SYNTHESIS: Increased staff engagement and communication, multidisciplinary team building, positive changes in organisational culture, and enhanced leadership and staff awareness of continuous quality improvement were identified as strengths. Weaknesses included organisational resistance to change, increased staff workload, lack of awareness about continuous quality improvement, insufficient staff training and support for continuous quality improvement, lack of applicable accreditation standards for local use, and lack of performance outcome measures. Opportunities included identification of improvement areas, enhanced patient safety, additional funding, public recognition, and market advantage. Threats included opportunistic behaviours, funding cuts, lack of incentives for participation, and a regulatory approach to mandatory participation. CONCLUSIONS: By relating the findings to the operational issues of accreditation, this review discussed the implications for successful implementation and how accreditation may drive quality improvement. These findings have implications for various stakeholders (government, the public, patients and health care providers), when it comes to embarking on accreditation exercises.
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 | 0,095 | 0,297 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,021 | 0,034 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».