Quality indicators for the diagnosis and management of chronic rhinosinusitis
Notice bibliographique
Résumé
BACKGROUND: Chronic rhinosinusitis (CRS) has been identified as a high-priority disease category for quality improvement. To this end, this study aimed to develop CRS-specific quality indicators (QIs) to evaluate diagnosis and management that relieves patient discomfort, improves quality of life, and prevents complications. METHODS: A guideline-based approach, proposed in 2012 by Kötter et al. was used to develop QIs for CRS. Candidate indicators (CIs) were extracted from 3 practice guidelines and 1 international consensus statement on the diagnosis and management of CRS. Guidelines were evaluated using the Appraisal of Guidelines for Research and Evaluation II (AGREE II) tool. Each CI and its supporting evidence was summarized and reviewed by an expert panel based on validity, reliability, and feasibility of measurement. Final QIs were selected from CIs utilizing the modified RAND Corporation-University of California, Los Angeles (RAND/UCLA) appropriateness methodology. RESULTS: Thirty-nine CIs were identified after literature review and evaluated by our panel. Of these, 9 CIs reached consensus as being appropriate QIs, with 4 requiring additional discussion. After a second round of evaluations, the panel selected 9 QIs as appropriate measures of high-quality care. CONCLUSION: This study proposes 9 QIs for the diagnosis and management of patients with CRS. These QIs can serve multiple purposes, including documenting the quality of care; comparing institutions and providers; prioritizing quality improvement initiatives; supporting accountability, regulation, and accreditation; and determining pay-for-performance initiatives.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,080 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,016 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».