Setting Quality Improvement Priorities for Women Receiving Systemic Therapy for Early-Stage Breast Cancer by Using Population-Level Administrative Data
Notice bibliographique
Résumé
Purpose Routine evaluation of quality measures (QMs) can drive improvement in cancer systems by highlighting gaps in care. Targeting quality improvement at QMs that demonstrate substantial variation has the potential to make the largest impact at the population level. We developed an approach that uses both variation in performance and number of patients affected by the QM to set priorities for improving the quality of systemic therapy for women with early-stage breast cancer (EBC). Patients and Methods Patients with EBC diagnosed from 2006 to 2010 in Ontario, Canada, were identified in the Ontario Cancer Registry and linked deterministically to multiple health care databases. Individual QMs within a panel of 15 QMs previously developed to assess the quality of systemic therapy across four domains (access, treatment delivery, toxicity, and safety) were ranked on interinstitutional variation in performance (using interquartile range) and the number of patients who were affected; then the two rankings were averaged for a summative priority ranking. Results We identified 28,427 patients with EBC who were treated at 84 institutions. The use of computerized physician electronic order entry for chemotherapy, emergency room visits or hospitalizations during chemotherapy, and timely receipt of chemotherapy were identified as the QMs that had the largest potential to improve quality of care at a system level within this cohort. Conclusion A simple ranking system based on interinstitutional variation in performance and patient volume can be used to identify high-priority areas for quality improvement from a population perspective. This approach is generalizable to other health care systems that use QMs to drive improvement.
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 | 0,010 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».