Practice sensitive quality indicators in RAI-MDS 2.0 nursing home data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In recent years, improving the quality of care for nursing home residents has generated a considerable amount of attention. In response, quality indicators (QIs), based on available evidence and expert consensus, have been identified within the Resident Assessment Instrument-Minimum Data Set 2.0 (RAI-MDS 2.0), and validated as proxy measures for quality of nursing home care. We sought to identify practice sensitive QIs; that is, those QIs believed to be the most sensitive to clinical practice. METHOD: We enlisted two experts to review a list of 35 validated QIs and to select those that they believed to be the most sensitive to practice. We then asked separate groups of practicing physicians, nurses, and policy makers to (1) rank the items on the list for overall "practice sensitivity" and then, (2) to identify the domain to which the QI was most sensitive (nursing care, physician care, or policy maker). RESULTS: After combining results of all three groups, pressure ulcers were identified as the most practice sensitive QI followed by worsening pain, physical restraint use, the use of antipsychotic medications without a diagnosis of psychosis, and indwelling catheters. When stratified by informant group, although the top five QIs stayed the same, the ranking of the 13 QIs differed by group. CONCLUSIONS: In addition to identifying a reduced and manageable set of QIs for regular reporting, we believe that focusing on these 13 practice sensitive QIs provides both the greatest potential for improving resident function and slowing the trajectory of decline that most residents experience.
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.
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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 découle