Building the foundation to generate a fundamental care standardised data set
Notice bibliographique
Résumé
AIM AND OBJECTIVES: This paper provides an overview of the current state of performance measurement, key trends and a methodological approach to leverage in efforts to generate a standardised data set for fundamental care. BACKGROUND: Considerable transformation is occurring in health care globally with organisations focusing on achieving the quadruple aim of improving the experience of care, the health of populations, and the experience of providing care while reducing per capita costs of health care. In response, healthcare organisations are employing performance measurement and quality improvement methods to achieve the quadruple aim. Despite the plethora of measures available to health managers, there is no standardised data set and virtually no indicators reflecting how patients actually experience the delivery of fundamental care, such as nutrition, hydration, mobility, respect, education and psychosocial support. CONCLUSIONS: Given the linkages of fundamental care to safety and quality metrics, efforts to build the evidence base and knowledge that captures the impact of enacting fundamental care across the healthcare continuum and lifespan should include generating a routinely collected data set of relevant measures. RELEVANCE TO CLINICAL PRACTICE: This paper provides an overview of the current state of performance measurement, key trends and a methodological approach to leverage in efforts to generate a standardised data set for fundamental care. Standardised data sets enable comparability of data across clinical populations, healthcare sectors, geographic locations and time and provide data about care to support clinical, administrative and health policy decision-making.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».