Abstract TP417: Improving Stroke Rehabilitation Intensity Data Collection: Collaborative Implementation of a Quality Assurance Framework
Notice bibliographique
Résumé
Background and Issues: A minimum of 3 hours of rehabilitation intensity (RI) is a stroke best practice standard of care that has been established in Ontario. As collection of RI time has been mandated in Ontario, the Ontario Stroke Network has been working with stakeholders to capture RI data using workload measurement systems (WMS). Given that this is a new indicator and variability exists in use of WMS across Toronto, there is a need for standardization in RI data collection. Purpose: To develop a quality assurance (QA) framework for RI data collection in Toronto that can be used locally and provincially to ensure consistent and accurate data collection and reporting. Methods: The Toronto Stroke Networks formed a working group comprised of clinical and decision support leads from 6 rehabilitation centres. This group developed standard approaches to capturing RI data. They also examined factors that influence the quality of the data, ranked these factors by level of influence on data quality, and established mitigation strategies for the top ranked factors. Additionally, a reporting and monitoring plan was determined. Results: Through collaborative sharing of information, a QA framework was developed and adopted by the group. The top ranked factors affecting data quality included: 1) When the RI data field is left blank; 2) Inaccurate data entry by staff; 3) Variations in service interruptions and alternate level of care; and 4) Timeliness in entering data. Mitigation strategies included use of lock out periods, clear definitions, processes for staff feedback and education, and establishment of a quarterly reporting structure for organizational comparison. This QA framework has been shared with provincial stakeholders to inform system planning in other regions. Conclusions: As data accuracy in capturing RI data is important for current state analysis and benchmarking, a comprehensive QA framework was developed to support data accuracy and has been used for local monitoring and reporting of RI data. Identified factors that influence data quality related to processes for data capture. As mitigation strategies will further support these processes, this QA framework ensures accurate data collection and confidence in using RI data to support system planning.
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 | 0,364 | 0,286 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,015 | 0,008 |
| Science ouverte | 0,010 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».