Developing key performance indicators for prescription medication systems
Notice bibliographique
Résumé
OBJECTIVE: To develop key performance indicators that evaluate the effectiveness of a prescription medication system. METHODS: A modified RAND/UCLA appropriateness method was used to develop key performance indicators (KPIs) for a prescription medication system. A broad list of potential KPIs was compiled. A multidisciplinary group composed of 21 experts rated the potential KPIs. A face-to-face meeting was held following the first rating exercise to discuss each potential KPI individually. The expert panel undertook a final rating of KPIs. The final set of KPIs were those indicators where at least 80 percent of experts rated the indicator highly i.e. rating of ≥ 7 on a scale from 1 to 9. RESULTS: 292 KPIs were identified from the published literature. After removing duplicates and combining similar indicators 71 KPIs were included. The final ranking resulted in six indicators being ranked 7 or higher by 80% of the respondents and an additional seven indicators being ranked 7 or higher by ≥70 but ≤80% of respondents. The six selected indicators include four specific disease areas, measure structural and process aspects of health service delivery, and assessed three of the domains of healthcare quality: efficiency, effectiveness, and safety. CONCLUSIONS: These indicators are recommended as a starting point to assess the current performance of prescription medication systems. Consideration should be given to developing indicators in additional disease areas as well as indicators that measure the domains of timeliness and patient-centeredness. Future work should focus on the feasibility of measuring these indicators.
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 | 0,053 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,031 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».