Factors that shape the development of interprofessional improvement initiatives in health organisations
Notice bibliographique
Résumé
BACKGROUND: Quality and safety improvement programmes advance the standard of care delivered by health organisations but have been shown to be less effective than anticipated. Implementing improvement programmes require a greater understanding of the impact of the social context and strategies that engage staff. OBJECTIVE: To investigate factors that shaped the development of interprofessional improvement initiatives in a health organisation. METHODS: Data are drawn from a large-scale longitudinal action research study examining interprofessional learning and practice. The setting is an autonomous bounded health jurisdiction in Australia. Within the study, health professionals have conceptualised more than 111 interprofessional improvement projects, of which 76 have evolved into ongoing activities. Textual data were analysed using emergent coding and descriptive statistics. RESULTS: Initiatives were shaped by six determinants: site receptivity; team issues; leadership; impact on healthcare relations; impact on quality and safety issues; and extent to which the projects became institutionally embedded. Initiatives that engaged participants and progressed were characterised by and displayed flexible leadership, and ongoing refinement and maturity over time. The local organisational context and initiatives coevolved. CONCLUSIONS: Improvement initiatives are necessary for improved quality of care and patient safety but are difficult to implement and sustain. The factors identified to develop them are constantly under challenge in health services. Improving healthcare quality will, in part, depend upon the ability to provide more flexible and supportive social contexts.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,004 | 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 ».