MétaCan
Menu
Retour à la cohorte
Enregistrement W2139979091 · doi:10.1136/bmjqs-2012-000859

Refocusing quality measurement to best support quality improvement: local ownership of quality measurement by clinicians: Table 1

2012· article· en· W2139979091 sur OpenAlexaff
James Mountford, Kaveh G Shojania

Notice bibliographique

RevueBMJ Quality & Safety · 2012
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésQuality (philosophy)TyingMedicineQuality managementHealth careQuality policyPerformance measurementConfidentialityBest practicePublic relationsMarketingBusinessComputer scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Recent years have seen unprecedented efforts to measure healthcare quality and to link such measurement to improved care delivery. The methodological and pragmatic complexities of these efforts have led to major debates: which ‘dimensions’ of quality to measure; whether to focus on processes or outcomes; which outcomes to prioritise—traditional clinical outcomes or more patient-centred ones; and, perhaps most important, how to link measurement to action through policy, professional and management levers.1 A variety of quality measurement schemes exist in many countries, including confidential reporting directed at healthcare organisations, public reporting of performance, policies tying performance to funding, such as ‘pay for performance’.2 3 Further, in some countries, professional training and/or licensing and revalidation processes for doctors include skills to measure and improve quality as core competencies.4–6 Moreover, public and governmental expectations for quality measurement have not just continued to rise but have expanded to include interest in long-term conditions, rather than the historical focus on short-term outcomes after surgery or hospitalisation for acute medical conditions. The question thus arises: what approach to measuring and reporting quality will best equip health systems to address these needs, especially given ubiquitous fiscal constraints. In this commentary, we first outline five general categories of problems that have beset quality measurement efforts to date. ### Prioritising one type of measure Much debate has focused on whether processes or outcomes constitute the ‘best’ quality measures. This debate has a long history7–9 but represents a false choice. Each element of Donabedian's triad of structure, process and outcome has both advantages and disadvantages,10 with no single category providing the best performance measurement across all settings and circumstances (see table 1). In healthcare, as in other industries, the players who achieve the best outcome pay the greatest attention to implementing reliable, effective and efficient processes of care and putting in …

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,162
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,547
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,1620,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,383
Tête enseignante GPT0,537
Écart entre enseignants0,154 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Quality & SafetyMême sujetPrimary Care and Health OutcomesTravaux en français237 207