Engaging Residents and Fellows to Improve Institution-Wide Quality
Notice bibliographique
Résumé
PURPOSE: Teaching hospitals strive to engage physicians in quality improvement (QI), and graduate medical education (GME) programs must promote trainee competence in systems-based practice (SBP). The authors developed a QI incentive program that engages residents and fellows, providing them with financial incentives to improve quality while simultaneously gaining SBP experience. In this study, they describe and evaluate success in meeting goals set during the program's first six years. METHOD: During fiscal years (FYs) 2007-2012, QI project goals for all or specific training programs were set collaboratively with residents and fellows at the University of California, San Francisco (UCSF). Data were collected from administrative databases, via chart abstraction, or through independently designed techniques. RESULTS: Approximately 5,275 residents and fellows were eligible and participated in the program. A total of 55 projects were completed. Among the 18 all-program projects, goals were achieved for 11 (61%) in three domains: patient satisfaction, quality/safety, and operation/utilization. Among the 37 program-specific projects, goals were achieved for 28 (76%) in four categories: patient-level interventions, enhanced communication, workflow improvements, and effective documentation. Residents and fellows earned an average of $800 in bonuses/FY for achieving these goals. CONCLUSIONS: Thousands of residents and fellows across disciplines participated in real-life, real-time QI during the program's first six years. Participation provided an experience that may promote SBP competence and resulted in improved quality of care across the UCSF Medical Center. Similar programs may assist teaching hospitals and GME programs in meeting current and future QI and training mandates.
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 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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».