Quality Improvement: An Assessment of Participation and Attitudes of Medical Oncologists
Notice bibliographique
Résumé
PURPOSE: Although quality improvement (QI) is an integral part of cancer care, there are few QI publications in the medical oncology literature. We examined the prevailing attitudes of medical oncologists toward QI and causes for the low QI publication rate in the medical oncology literature. METHODS: Using a modified Dillman method, we distributed a 13-question online survey to medical oncologists across Canada asking about their attitudes toward and involvement in QI and perceived barriers to publishing QI studies. RESULTS: We attained a 43% response rate (143 of 332). Of the responding oncologists, 97% (138) agreed that QI was an important aspect of their practice, although only 49% (70) had participated in QI in the past 5 years. Physicians with administrative responsibility were more likely than clinicians to be involved in QI (P = .008). Most QI participants focused on domains of safety (70%) and patient centeredness (67%). Among QI participants, 72% did not publish their findings, because of lack of time (34%), no identifiable journals (14%), and unfamiliarity with QI methodology (10%). Barriers for QI nonparticipants included uncertainty about how to get involved (45%), lack of time (18%), and limited institutional support or recognition (18%). QI participants had greater awareness of recent practice-changing QI publications compared with nonparticipants (P = .003). CONCLUSION: Canadian medical oncologists face limitations to participating in and publishing QI initiatives because of lack of knowledge about ongoing initiatives, lack of time, and lack of resources to aid publication. Improving networking opportunities and prioritizing QI at the institutional level can address this need.
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 | 0,039 | 0,032 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».