Rhinology‐specific priority setting for quality improvement: a modified Delphi study from the Quality Improvement Committee of the American Rhinologic Society
Notice bibliographique
Résumé
BACKGROUND: Improving the quality of healthcare is a complex and resource intensive process. To optimize the allocation of scarce resources, quality improvement (QI) should focus on high-value diseases that will produce the largest improvement in health system performance. Given the breadth and multidisciplinary nature of sinonasal disease management, the purpose of this study was to transparently develop a prioritized list of sinonasal diseases for QI from the perspective of the specialty of rhinology and the American Rhinologic Society (ARS). METHODS: The RAND modified Delphi methodology was used to rank the priority of nine sinonasal disease categories from 1 (lowest priority) to 9 (highest priority). Two rounds of ranking along with a teleconference meeting was performed by a panel of 9 experts from the ARS Quality Improvement Committee. RESULTS: The final QI-prioritized list of sinonasal diseases are as follows: chronic rhinosinusitis (CRS) (mean score = 8.9), recurrent acute rhinosinusitis (RARS) (mean score = 7.9), sinonasal neoplasms (mean score = 7.0), anatomic nasal obstruction (mean score = 5.9), refractory epistaxis (mean score = 5.2), complicated acute rhinosinusitis (mean score = 5.2), chronic nonallergic rhinitis (mean score = 4.4), orbital disease (mean score = 4.3), uncomplicated acute rhinosinusitis (mean score = 4.1), and allergy/allergic rhinitis (mean score = 3.7). CONCLUSION: The three most important disease categories for QI from the perspective of the specialty of rhinology were CRS, RARS, and sinonasal neoplasms. Future studies need to define and validate quality metrics for each of these important disease categories in order to facilitate appropriate measurement and improvement initiatives.
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 | 0,179 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».