Quality of Dementia Care in the Community: Identifying Key Quality Assurance Components
Notice bibliographique
Résumé
BACKGROUND: Primary care-based memory clinics (PCMCs) have been established in several jurisdictions to improve the care for persons with Alzheimer's disease and related dementias. We sought to identify key quality indicators (QIs), quality improvement mechanisms, and potential barriers and facilitators to the establishment of a quality assurance framework for PCMCs. METHODS: We employed a Delphi approach to obtain consensus from PCMC clinicians and specialist physicians on QIs and quality improvement mechanisms. Thirty-eight candidate QIs and 19 potential quality improvement mechanisms were presented to participants in two rounds of electronic Delphi surveys. Written comments were collected and descriptively analyzed. RESULTS: The response rate for the first and second rounds were 21.3% (n = 179) and 12.8% (n = 88), respectively. The majority of respondents were physicians. Fourteen QIs remained after the consensus process. Ten quality improvement mechanisms were selected with those characterized by specialist integration, such as case discussions and mentorships, being ranked highly. Written comments revealed three major themes related to potential barriers and facilitators to quality assurance: 1) perceived importance, 2) collaboration and role clarity, and 3) implementation process. CONCLUSION: We successfully utilized a consultative process among primary and specialty providers to identify core QIs and quality improvement mechanisms for PCMCs. Identified quality improvement mechanisms highlight desire for multi-modal education. System integration and closer integration between PCMCs and specialists were emphasized as essential for the provision of high-quality dementia care in community settings.
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 | 0,005 | 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 | 0,001 |
| 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 ».