What initiatives do healthcare leaders agree are needed for healthcare system improvement? Results of a modified-Delphi study
Notice bibliographique
Résumé
PURPOSE: The purpose of this paper is to identify five quality improvement initiatives for healthcare system leaders, produced by such leaders themselves, and to provide some guidance on how these could be implemented. DESIGN/METHODOLOGY/APPROACH: A multi-stage modified-Delphi process was used, blending the Delphi approach of iterative information collection, analysis and feedback, with the option for participants to revise their judgments. FINDINGS: The process reached consensus on five initiatives: change information privacy laws; overhaul professional training and work in the workplace; use co-design methods; contract for value and outcomes across health and social care; and use data from across the public and private sectors to improve equity for vulnerable populations and the sickest people. RESEARCH LIMITATIONS/IMPLICATIONS: Information could not be gathered from all participants at each stage of the modified-Delphi process, and the participants did not include patients and families, potentially limiting the scope and nature of input. PRACTICAL IMPLICATIONS: The practical implications are a set of findings based on what leaders would bring to a decision-making table in an ideal world if given broad scope and capacity to make policy and organisational changes to improve healthcare systems. ORIGINALITY/VALUE: This study adds to the literature a suite of recommendations for healthcare quality improvement, produced by a group of experienced healthcare system leaders from a range of contexts.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».