First experiences of accrediting district hospitals for excellence in newborn care in KwaZulu-Natal, South Africa: Successes and challenges
Notice bibliographique
Résumé
Objective: Providing quality health care is what all health facilities seek to achieve. Accreditation of health services are used to assess and improve the quality of health care in different settings. This study describes experiences of developing and conducting accreditation for excellence in newborn care in district hospitals in KwaZulu-Natal (KZN), South Africa following a 3-year programme of support to all nurseries in KZN.Methods: A facility review was conducted in district hospitals in KZN to evaluate the quality of care provided to newborn babies to accredit hospitals in newborn care. Multiple tools were used to assess different components of care from different perspectives, including record reviews, assessment of staff skills and interviews with mothers. Awarding accreditation was based on scores achieved in various domains, which contributed to an overall score. Compliance with key priority indicators was required for accreditation to be awarded.Results: Overall scores for accreditation ranged between 57%-93%. Mothers reported high levels of satisfaction with care received. Record reviews identified shortfalls in care provided, and skills assessments showed poor resuscitation skills in labour wards in some hospitals. Of 39 district hospitals, eight were awarded silver and five were awarded gold accreditation status.Conclusions: This accreditation of newborn care provides a workable model for undertaking accreditation in district hospitals and can be used by managers to identify and address shortfalls in care. Regular accreditation would support ongoing quality improvement (QI) in neonatal care and such a process could be applied to other aspects of care in health facilities.
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 | 0,001 |
| 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 ».