SAFE QI – a framework to overcome the challenges of implementing a quality improvement curriculum into a residency program
Notice bibliographique
Résumé
Quality improvement (QI) is an essential component of medical practice. Medical students and residents must learn the skills to conduct clinical QI during their educational programs. Medical educators must create and implement a curriculum in QI to empower their students to develop this skill and knowledge. However, developing and implementing a QI curriculum may be challenging for some residency programs. Residency programs with a relatively short duration of training - for example, only 2 years - may be unable to implement an extensive QI curriculum without siphoning away time for other learning objectives. Small residency programs may lack faculty with expertise to teach this topic. Residency programs with only a few residents may find it difficult to evaluate the success of a QI curriculum using robust statistical analysis. These residency programs need a QI curriculum with several features. The curriculum must be deliverable in a short period of time. There must be tools to assess the residents' attainment of the curricular objectives. The curriculum must give the residents practical skills to develop their own QI initiatives. Finally, there must be simple methods to evaluate the curriculum's effectiveness. To address these goals, we developed the SAFE QI (QI curriculum which is short, assessed, functional, and effective) framework for the 2-year subspecialty respirology residency program at the University of Alberta. There are 2-3 entrants per year for a total of 4-6 residents. This framework helps medical educators overcome the challenges of implementing a QI curriculum into their educational programs. This article illustrates how this framework was used to develop and deliver an institution's own QI curriculum.
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 | 0,005 | 0,136 |
| 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 | 0,001 |
| 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 ».