Can Composite Measures Provide a Different Perspective on Provider Performance Than Individual Measures?
Notice bibliographique
Résumé
BACKGROUND: Composite measures, which aggregate performance on individual measures into a summary score, are increasingly being used to evaluate facility performance. There is little understanding of the unique perspective that composite measures provide. OBJECTIVE: To examine whether high/low (ie, high or low) performers on a composite measures are also high/low performers on most of the individual measures that comprise the composite. METHODS: We used data from 2 previous studies, one involving 5 measures from 632 hospitals and one involving 28 measures from 112 Veterans Health Administration (VA) nursing homes; and new data on hospital readmissions for 3 conditions from 131 VA hospitals. To compare high/low performers on a composite to high/low performers on the component measures, we used 2-dimensional tables to categorize facilities into high/low performance on the composite and on the individual component measures. RESULTS: In the first study, over a third of the 162 hospitals in the top quintile based on the composite were in the top quintile on at most 1 of the 5 individual measures. In the second study, over 40% of the 27 high-performing nursing homes on the composite were high performers on 8 or fewer of the 28 individual measures. In the third study, 20% of the 61 low performers on the composite were low performers on only 1 of the 3 individual measures. CONCLUSIONS: Composite measures can identify as high/low performers facilities that perform "pretty well" (or "pretty poorly") across many individual measures but may not be high/low performers on most of them.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».