An environmental analysis of the evolution of readmission reduction strategies: A study of United States hospitals
Notice bibliographique
Résumé
Objective: Environmental factors have changed the manner in which issues in the U.S. healthcare industry are addressed. One of these changes is in the area of quality improvement, specifically readmission reduction. The purpose of this paper is two-fold: (1) analyze macro-environmental segments (political, technological, economic, and socio-demographic); and (2) trace the historic evolution of readmission reduction programs to understand how macro-environmental factors have shaped the development of readmission reduction strategies.Methods: Scopus, PubMed, and ABI/Inform electronic databases were searched for articles on readmission reduction programs from 2000 to 2014. In addition, literature on macro-environment was retrieved from these sources for the same time period. Studies were identified using specific search terms and inclusion criteria. A total of 24 articles were selected for review. Data on the following variables were extracted: type of organization studied, type of quality improvement strategy used, type of patients studied, and results of the strategy. In addition, an examination of macro-environmental factors that may have affected the above variables was done. Finally, results were integrated and presented in a chronological order.Results: Findings suggest that macro-environmental factors have influenced the development of readmission reduction strategies over time. This paper informs healthcare managers about being cognizant of environmental trends when devising readmission reduction strategies within hospitals.Conclusions: Insights from this paper urge hospital administrators to forge collaborations with key stakeholders while developing new quality improvement strategies when facing an unstable and complex environment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».