Practice-based collection of quality indicator data for a comprehensive quality assessment programme in Canadian family practices
Notice bibliographique
Résumé
INTRODUCTION: Quality improvement in primary care can be facilitated by the ability to measure indicators in practice. This paper reports on the process and impacts of data collection on indicators of a quality assessment tool in seven interprofessional group family practices in Ontario, Canada. METHODS: The programme addressed indicators and collected data across multiple domains of practice including clinical quality, physical factors, and patient and staff perceptions. A system audit of the practice, a patient survey, a staff satisfaction survey and chart audits (on hypothyroidism and hyperlipidaemia) were designed to measure selected indicators across the domains. Practices were trained and collected their own data. Practices provided feedback on the process and impacts during a postprogramme workshop and on a survey 1 year later. RESULTS: Four-hundred charts audits were completed for each of hyperlipidaemia and hypothyroidism, 319 patient satisfaction surveys were administered in four practices, and the staff satisfaction survey was completed by 77 staff in six practices. Most practices demonstrated indicators of privacy, access and safety. There was more variability in indicators relating to staff professional development and team involvement in meetings. Patient satisfaction with providers was rated highly, whereas some aspects of practice access were rated lower. Practices approached the challenge of participation by engaging multidisciplinary team members and dividing tasks. Most practices reported continued participation in various quality improvement initiatives 1 year later. CONCLUSIONS: Using a set of indicators, structured processes and training, family practices find the process of gathering and reviewing their data useful for quality improvement.
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 | 0,043 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».