MétaCan
Menu
Retour à la cohorte
Enregistrement W2346946668 · doi:10.12927/hcq.2016.24611

Lean Transformation of the Eye Clinic at The Hospital for Sick Children: Challenging an Implicit Mental Model and Lessons Learned

2016· article· en· W2346946668 sur OpenAlexaff
Agnes Wong, David During, Michael Hartman, Stephanie Lappan-Gracon, Melody Hicks, Shiraz Bajwa

Notice bibliographique

RevueHealthcare Quarterly · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueQuality and Safety in Healthcare
Établissements canadiensHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMental modelSick childBest practiceTransformation (genetics)PsychologyMental healthHealth administrationNursingMedicinePsychiatryPediatricsPublic healthManagement

Résumé

récupéré en direct d'OpenAlex

Long patient dwell time (i.e., the time between patients arriving and leaving the clinic) has been a long-standing issue in the eye clinic at The Hospital for Sick Children. By applying the Lean principles of eliminating waste and enhancing flow, we achieved a 26% reduction in the mean patient dwell time over an eight-month period. Importantly, the average time a patient spent with healthcare providers (value-added time) increased from 21% to 31%. In this paper, we summarized our experience by illustrating how an implicit mental model (conscious or unconscious conceptual framework from which we understand the world) pervades in the healthcare system based on deeply held but unexamined assumptions that arise from heuristics (general rules of thumb) and biases; how these assumptions can be tested by objective data; and how we can build a new mental model based on objective findings to improve the healthcare system.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,582
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,455
Écart entre enseignants0,343 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
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

Citations11
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetQuality and Safety in HealthcareTravaux en français237 207