Regional Process Redesign of Lung Cancer Care: A Learning Health System Pilot Project
Notice bibliographique
Résumé
BACKGROUND: The Ottawa Hospital (toh) defined delay to timely lung cancer care as a system design problem. Recognizing the patient need for an integrated journey and the need for dynamic alignment of providers, toh used a learning health system (lhs) vision to redesign regional diagnostic processes. A lhs is driven by feedback utilizing operational and clinical information to drive system optimization and innovation. An essential component of a lhs is a collaborative platform that provides connectivity across silos, organizations, and professions. METHODS: To operationalize a lhs, we developed the Ottawa Health Transformation Model (ohtm) as a consensus approach that addresses process barriers, resistance to change, and conflicting priorities. A regional Community of Practice (cop) was established to engage stakeholders, and a dedicated transformation team supported process improvements and implementation. RESULTS: The project operationalized the lung cancer diagnostic pathway and optimized patient flow from referral to initiation of treatment. Twelve major processes in referral, review, diagnostics, assessment, triage, and consult were redesigned. The Ottawa Hospital now provides a diagnosis to 80% of referrals within the provincial target of 28 days. The median patient journey from referral to initial treatment decreased by 48% from 92 to 47 days. CONCLUSIONS: The initiative optimized regional integration from referral to initial treatment. Use of a lhs lens enabled the creation of a system that is standardized to best practice and open to ongoing innovation. Continued transformation initiatives across the continuum of care are needed to incorporate best practice and optimize delivery systems for regional populations.
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 | 0,000 | 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 | 0,000 |
| 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 ».