A Collaborative Approach to a Chronic Care Problem
Notice bibliographique
Résumé
Quality improvement collaboratives (QICs) are popular vehicles for supporting healthcare improvement; however, the effectiveness of these models and the factors associated with their success are not fully understood. This paper presents a QIC in the Canadian context, where provincial healthcare systems have historically faced difficulty in transcending their structural and political limitations as well as moving from reactive models of care (prioritizing illness treatment in a hospital-reliant system) to more proactive ones (prioritizing population health in a primary care-based system). In March 2012, in a move that has been described as "unprecedented," 17 health regions across four provinces in Atlantic Canada, together with the Canadian Foundation for Healthcare Improvement (CFHI), developed a collaborative to improve chronic disease prevention and management. This paper introduces the Atlantic Healthcare Collaboration for Innovation and Improvement in Chronic Disease (AHC), reflecting on the experience of developing and implementing the model, which involved teams of front-line clinicians and managers working with CFHI faculty, coaches and staff to assess, design, implement, evaluate and share healthcare improvements for people living with chronic diseases. The paper shares key results and lessons learned from the AHC QIC experience, thus far, for improving chronic disease prevention and management in healthcare in Canada.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,023 | 0,036 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,005 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 source (Gemma direct ou Codex distillé), 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 ».