Aligning Incentives for Academic Physicians to Improve Health Care Quality
Notice bibliographique
Résumé
ACADEMIC HEALTH SCIENCE CENTERS PLAY A LEADing role in the development of new knowledge, yet the quality of care in academic hospitals is on average only modestly better than that of care provided by community hospitals. However, averages are also misleading. In one study evaluating care of patients with acute coronary syndrome, 15 of the 20 top-performing institutions were community hospitals. Indeed, many organizations that have been at the forefront of the quality improvement movement, such as Intermountain Healthcare and Geisinger Health System, are not among the highest-ranked academic centers in terms of research grants and research productivity. One reason academic health science centers do not consistently provide superior care may be the incentive structures that exist within them for academic physicians. These physicians determine not only what research is undertaken but also how clinical care is delivered and how much attention is given to quality improvement. The choices that academic physicians make, and the incentives that affect those choices, have a profound influence not only on knowledge generation but also on the quality of health care received by millions of patients. In this Commentary, we suggest that academic physicians currently face financial and nonfinancial incentives that discourage the expenditure of time and energy on projects likely to improve patient care in their local environments. These incentives will need to change if academic health science centers are to become leaders in quality improvement.
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 | 0,076 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,020 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».