Quality indicators of end-of-life cancer care: What rate is right?
Notice bibliographique
Résumé
57 Background: Many publications use administrative health care data to describe quality of care indicators at the end of life (EOL). However, very little is available to help decide on optimal rates for these indicators. The purpose of this abstract is to develop data-driven and achievable benchmark rates for EOL quality indicators using administrative data from 4 provinces in Canada. Methods: Five quality indicators of EOL care were defined and measured using linked administrative data for each of the 33 regions across British Columbia, Alberta, Ontario and Nova Scotia. These were: emergency department (ED) use, intensive care unit (ICU) admission, physician house calls (MD) and nursing visits at home (RN) prior to death, and death in hospital (DH). First, an empiric benchmark was defined by determining indicator rates among the top ranked regions to include the top decile of patients overall. Second, funnel plots were used to graph the age and sex adjusted indicator rates for each region along with the overall average value and 95% confidence limits (CL) that accounted for region size. Results: There was significant variation in rates for each indicator among the regions. Minimum and maximum rates for ED, ICU, RN, MD and DH varied approximately 2 to 4 fold across the regions with MD showing the greatest variation. Benchmark rates based on the top decile performers were: ED 34%, ICU 2%, MD 34%, RN 63%, DH 38%. With the exception of ICU, funnel plots demonstrated that mean indicator rates and their 95% CL were uniformly worse than these benchmarks even after adjusting for age and sex. Additionally, few regions met the benchmark rates. Conclusions: There is significant variation in EOL quality indicators across regions in 4 provinces in Canada. The combination of these two methods allows each region to determine its performance relative to both a benchmark and the overall average. As a result, each region is then able to gauge their performance with greater context which facilitates priority setting and resource deployment. These two methods demonstrate how decreasing variation and striving for a target can drive quality improvement. Deriving benchmark values from ‘real world’ data offers the advantage of realistically achievable targets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,125 | 0,341 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,004 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».