Prioritizing areas for quality marker development in children in UK general practice: extending the use of the nominal group technique
Notice bibliographique
Résumé
BACKGROUND: There is a deficiency in the ability to measure the quality of care of children in primary care and there is no professional consensus in UK general practice regarding which quality markers should be used. OBJECTIVES: To prioritize clinical areas on which to focus quality marker development in paediatric primary care and to describe the challenges in generating professional consensus. METHODS: We convened an expert panel of GPs with a special interest in child health and using the nominal group technique (NGT), a well-established structured, multistep facilitated group meeting technique, we generated consensus around the key clinical areas to focus quality marker development. RESULTS: Twelve GPs participated in the expert panel. The eight items agreed by panellists as most important were early recognition of serious illness, whole practice involvement in safeguarding, health promotion, mental health, evidence-based management of common conditions, child and carer friendliness and safe and cost-effective prescribing. Panel members struggled to balance the broad clinical areas while attempting to focus on specific areas that are important. The main challenges included managing panel uncertainty, effective organization, presentation of items for review and group inclination to 'include everything'. CONCLUSIONS: This is the first consensus study of UK GPs to identify key areas to target quality marker development in children. By using the NGT, we have highlighted front-line health care professionals' priorities to improve the quality of care of children and identified the benefits and challenges of developing consensus in a broad topic area.
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 | 0,023 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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; 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 ».