MétaCan
Menu
Retour à la cohorte
Enregistrement W2036963874 · doi:10.1097/mlr.0b013e3182802e8b

Measuring Nurses’ Impact on Health Care Quality

2013· article· en· W2036963874 sur OpenAlexaff
Susan L. Beck, Marianne Weiss, Nancy A. Ryan‐Wenger, Nancy Donaldson, Carolyn Aydin, Gail L. Towsley, William E. Gardner

Notice bibliographique

RevueMedical Care · 2013
Typearticle
Langueen
DomaineNursing
ThématiqueNursing Diagnosis and Documentation
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésHealth careQuality (philosophy)NursingProcess (computing)Quality managementMedicineProcess managementBusinessComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Quality measurement is central in efforts to improve health care delivery and financing. The Interdisciplinary Nursing Quality Research Initiative supported interdisciplinary research teams to address gaps in measuring the contributions of nursing to quality care. OBJECTIVE: To summarize the research of 4 interdisciplinary teams funded by The Interdisciplinary Nursing Quality Research Initiative and reflect on challenges and future directions to improving quality measurement. METHODS: Each team summarized their work including the targeted gap in measurement, the methods used, key results, and next steps. The authors discussed key challenges and recommended future directions. RESULTS: These exemplar projects addressed cross-cutting issues related to quality; developed measures of patient experience; tested new ways to model the important relationships between structure, process, and outcome; measured care across the continuum; focused on positive aspects of care; examined the relationship of nursing care with outcomes; and measured both nursing and interdisciplinary care. DISCUSSION: Challenges include: measuring care delivery from multiple perspectives; determining the dose of care delivered; and measuring the entire care process. Meaningful measures that are simple, feasible, affordable, and integrated into the care delivery system and electronic health record are needed. Advances in health information systems create opportunities to advance quality measurement in innovative ways. CONCLUSIONS: These findings and products add to the robust set of measures needed to measure nurses' contributions to the care of hospitalized patients. The implementation of these projects has been rich with lessons about the ongoing challenges related to quality measurement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,074
score de la tête « metaresearch » (Gemma)0,177
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,391

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0740,177
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,003
Communication savante0,0040,003
Science ouverte0,0010,006
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,405
Écart entre enseignants0,371 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetNursing Diagnosis and DocumentationTravaux en français237 207