Establishing a tracking system in human resources department to improve the completeness of personnel files at a district hospital in Rwanda
Notice bibliographique
Résumé
Introduction: For decades, many low and mid income countries (LMIC) have invested significant effort to improve access to and quality of health care, with less attention paid to the non-clinical, administrative hospital management. Accordingly, a practical personnel filing system was designed and implemented to improve file management efficiency.Methods: Setting: The quality improvement project took place in a rural hospital in Rwanda. Design: A pre- and post-intervention study design to assess the effect of the intervention between January 2015 and February 2016. File auditing and time study were conducted. Intervention: A custom-made computer database to manage documents in a personnel file, standardized follow up process and policy were created and implemented. Measures: The pre- and post-intervention completeness of all personnel file and the average time to identify the missing items in a personnel file were measured to evaluate the effect of the project.Results: The completion rate of personnel files increased from 83% pre-intervention to 96% post-intervention. The average time to identify missing items significantly reduced from 6 minutes 30 seconds pre-intervention to 49.6 seconds (p < .001).Conclusions: This project demonstrates that quality improvement principles can help address administrative issues in a resource-challenged setting. By utilizing available resources to implement an intervention that focused on creating an easy and efficient process, the personnel file completion rate has increased considerably and the time needed to identify missing items significantly decreased. The hospital should apply the same strategic problem solving methodology to conduct other quality improvement projects.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».