Continuing education meets the learning organization: The challenge of a systems approach to patient safety
Notice bibliographique
Résumé
Since the release of the report of the Institute of Medicine on medical errors and patient safety in November 1999, health policy makers and health care leaders in several nations have sought solutions that will improve the safety of health care. This attention to patient safety has highlighted the importance of a learning approach and a systems approach to quality measurement and improvement. Balanced with the need for public disclosure of performance, confidential reporting with feedback is one of the prime ways that nations such as the United States, Canada, the United Kingdom, and Australia have approached this challenge. In the United States, the Quality Interagency Coordination Task Force has convened federal agencies that are involved in health care quality improvement for a coordinated initiative. Based on an investment in a strong research foundation in health care quality measurement and improvement, there are eight key lessons for continuing education if it is to parlay the interest in patient safety into enhanced continuing education and quality improvement in learning health care systems. The themes for these lessons are (1) informatics for information, (2) guidelines as learning tools, (3) learning from opinion leaders, (4) learning from the patient, (5) decision support systems, (6) the team learning together, (7) learning organizations, and (8) just-in-time and point-of care delivery.
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 | 0,044 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,023 |
| Communication savante | 0,027 | 0,026 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,017 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».