The Use of Three Strategies to Improve Quality of Care at a National Level
Notice bibliographique
Résumé
BACKGROUND: Improving the quality of care is essential and a priority for patients, surgeons, and healthcare providers. Strategies to improve quality have been proposed at the national level either through accreditation standards or through national payment schemes; however, their effectiveness in improving quality is controversial. QUESTIONS/PURPOSES: The purpose of this review was to address three questions: (1) does pay-for-performance improve the quality of care; (2) do surgical safety checklists improve the quality of surgical care; and (3) do practice guidelines improve the quality of care? These three strategies were chosen because there has been some research assessing their effectiveness in improving quality, and implementation had been attempted on a large scale such as entire countries. METHODS: We performed a literature review from 1950 forward using Medline to identify Level I and II studies. We evaluated the three strategies and their effects on processes and outcomes of care. When possible, we examined strategy implementation, patients, and systems, including provider characteristics, which may affect the relationship between intervention and outcomes with a focus on factors that may have influenced effect size. RESULTS: Pay-for-performance improved the process and to a lesser extent the outcome of care. Surgical checklists reduced morbidity and mortality. Explicit practice guidelines influenced the process and to a lesser extent the outcome of care. Although not definitively showed, clinician involvement during development of intervention and outcomes, with explicit strategies for communication and implementation, appears to increase the likelihood of positive results. CONCLUSION: Although the cost-effectiveness of these three strategies is unknown, quality of care could be enhanced by implementing pay-for-performance, surgical safety checklists, and explicit practice guidelines. However, this review identified that the effectiveness of these strategies is highly context-specific.
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 | 0,042 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».