Improving the quality of healthcare data through information design
Notice bibliographique
Résumé
Improving the quality of patient care, generally referred to as Quality Improvement (QI), is a constant mission of healthcare. Although QI initiatives take many forms, these typically involve collecting data to measure whether changes to procedures have been made as planned, and whether those changes have achieved the expected outcomes. In principle, such data are used to measure the success of a QI initiative and make further changes if needed. In practice, however, many QI data reports provide only limited insight into changes that could improve patient care. Redesigning standard approaches to QI data can help close the gap between current norms and the potential of QI data to improve patient care. This paper describes our study of QI data needs among healthcare providers and managers at Vancouver Coastal Health, a regional health system in Canada. We present an overview of challenges faced by healthcare providers around QI data collection and visualization, and illustrate the advantages and disadvantages of different visualizations. At present, user– centred and evidence–based design is practically unknown in healthcare QI, and thus offers an important new contribution.
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 | 0,146 | 0,279 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,021 | 0,020 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».