MétaCan
Menu
Retour à la cohorte
Enregistrement W2593940776 · doi:10.12927/hcpol.2017.25028

Assessing Continuous Quality Improvement in Public Health: Adapting Lessons from Healthcare

2017· article· en· W2593940776 sur OpenAlexaffvenueabout
Alex Price, Robert Schwartz, Joanna E Cohen, Heather Manson, Fran Scott

Notice bibliographique

RevueHealthcare policy · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensHamilton Health SciencesMcMaster UniversityThe Canadian Association of Professional Academic LibrariansPublic Health Ontario
Organismes subventionnairesnon disponible
Mots-clésQuality managementAccountabilityHealth careQuality (philosophy)Public healthTotal quality managementBusinessProcess managementPublic healthcareMedicineNursingPolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

CONTEXT: Evidence of the effect of continuous quality improvement (CQI) in public health and valid tools to judge that such effects are not fully formed. OBJECTIVE: The objective was to adapt and apply Shortell et al.'s (1998) four dimensions of CQI in an examination of a public health accountability and performance management initiative in Ontario, Canada. METHODS: In total, 24 semi-structured, in-depth interviews were conducted with informants from public health units and the Ministry of Health and Long-Term Care. A web survey of public health managers in the province was also carried out. RESULTS: A mix of facilitators and barriers was identified. Leadership and organizational cultures, conducive to CQI success were evident. However, limitations in performance measurement and managerial discretion were key barriers. CONCLUSION: The four dimensions of CQI provided insight into both facilitators and barriers of CQI adoption in public health. Future research should compare the outcomes of public health CQI initiatives to the framework's stated facilitators and barriers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,013
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,486
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0090,000
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,852
Tête enseignante GPT0,738
Écart entre enseignants0,113 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare policyMême sujetHealth Policy Implementation ScienceTravaux en français237 207