Developing the Capacity for Rapid-Cycle Improvement at a Large Freestanding Children’s Hospital
Notice bibliographique
Résumé
BACKGROUND: To develop the capacity for rapid-cycle improvement at the unit level, a large freestanding children's hospital designated 2 inpatient units with normal patient loads and workforce as pilot "Innovation Units" where frontline staff was trained to lead rigorous improvement portfolios. METHODS: Frontline staff received improvement training, and interdisciplinary teams brainstormed ideas for tests of change. Ideas were prioritized using an impact-effort evaluation and an assessment of how they aligned with high-level goals. A template for each test summarized the following: the opportunity for improvement, the test being conducted, dates for the tests, driver diagrams, metrics to measure effects, baseline data, results, findings, and next steps. Successful interventions were implemented and disseminated to other units. RESULTS: Multidisciplinary staff generated 150 improvement ideas and Innovation Units collectively ran >40 plan-do-study-act cycles. Of the 10 distinct improvement projects, elements of all 10 were deemed "successful" and fully implemented on the unit, and elements from 8 were spread to other units. More than 3 years later, elements of all of the successful improvements are still in practice in some form on the units, and each unit has tested >20 additional improvement ideas, using multiple plan-do-study-act cycles to refine them. CONCLUSIONS: The Innovation Unit model successfully engaged frontline staff in improvement work and established a sustainable system and framework for managing rigorous improvement portfolios at the unit level. Other hospitals and health care delivery settings may find our quality improvement approach helpful, especially because it is rooted in the microsystem of care delivery.
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 | 0,003 | 0,003 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».