Notice bibliographique
Résumé
The Ontario Ministry of Health and Long-Term Care (MOHLTC) launched the Wait Time Strategy in 2004 to improve access to healthcare by reducing the wait times for procedures and treatments. A fundamental component of the strategy was the development of the Wait Time Information System (WTIS). On behalf of the MOHLTC, Cancer Care Ontario (CCO) delivered the first electronic application used by hospitals province-wide to collect essential wait time data. Until then, clinicians had been maintaining wait lists within their own offices (usually on paper), but had no effective way to manage waits that were getting too long. Patients also wanted faster treatment, but had no concrete information to hold the health system accountable for inappropriate waits or to help in managing their own care. Lastly, hospitals and health system planners knew that a more comprehensive view of wait times could help them make objective decisions around how to allocate resources. The WTIS was introduced to solve this information challenge. Having better information, however, is only one side of the equation. Arguably, it's how you use the data that will provide the benefit. The Wait Time Strategy (the strategy) used a "pay for performance" approach requiring hospital leaders to be accountable for using the data captured through the WTIS to achieve defined wait time targets in return for funding for more procedures and programs. Hospital accountability for improving performance was further driven through the reporting of wait times on a public website (www.ontariowaittimes.com). Here we examine the steps that CCO took to support the collection of necessary data and turn it into meaningful information to drive improvements. This experience is now being used to shape performance management activities for the broader access to care agenda across the province.
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 | 0,001 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 | 0,001 |
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 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 ».