Effectiveness of Quality Improvement Interventions at Reducing Inappropriate Cardiac Imaging
Notice bibliographique
Résumé
BACKGROUND: Between 5% and 25% of cardiac imaging tests are performed for inappropriate indications. Studies have examined the impact of appropriate use criteria-based quality improvement initiatives on inappropriate testing, but they have not been systematically evaluated. METHODS AND RESULTS: We performed a systematic review of studies evaluating quality improvement initiatives aimed at reducing inappropriate cardiac imaging. The primary outcome was the proportion of inappropriate tests based on appropriate use criteria. Studies were analyzed using a random effects meta-analysis model, and heterogeneity was examined using subgroup analyses. We identified 6 observational studies and 1 randomized control trial. Most interventions (n=6) had a formal education component, and 5 included a mechanism for physician audit and feedback. Although these interventions were associated with lower odds of inappropriate testing (odds ratio, 0.44 [95% confidence interval, 0.32-0.61]; P<0.001), significant heterogeneity was observed (I(2)=70%), which was best explained by the utilization of physician audit and feedback. Interventions that employed physician audit and feedback were associated with significantly lower odds of inappropriate testing (odds ratio, 0.36 [95% confidence interval, 0.31-0.41]; P<0.001; I(2)=0%), whereas those that did not had no effect (odds ratio, 0.89 [95% confidence interval, 0.61-1.29]; P=0.51; I(2)=0%; P value for difference <0.001). All studies had potential sources of bias that could have affected the observed estimates. CONCLUSIONS: Interventions using physician audit and feedback are associated with lower odds of inappropriate cardiac testing. Further research is needed to evaluate a greater diversity of intervention types, with improved study designs.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,010 |
| 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 ».