Developing guideline-based quality indicators
Notice bibliographique
Résumé
AIM: In this article, the authors discuss a multiphase approach for developing quality indicators based on pain practice guidelines, and the challenges associated with the process. The presentation is based on previously published reporting standards for guideline-based quality indicators. METHODS: The following steps of the indicator development process were undertaken: topic selection; guideline selection; extraction of recommendations; quality indicator selection and practice test. RESULTS: Eleven practice guidelines were reviewed for quality, and three high-quality guidelines were compared for pertinent recommendations. From these three guidelines, 12 recommendations were extracted and judged appropriate to examine the practice gap for nursing students and clinicians on an oncology and palliative care unit. Quality indicators were then identified by a consensus process, resulting in 24 discrete indicators that were included in the practice test. CONCLUSION: Quality indicators can be used to examine gaps in pain management practice, and to evaluate change after guideline implementation. However, their development can be challenging, and guideline developers could facilitate uptake of guidelines by including clear, relevant quality indicators as part of guideline creation and presentation.
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 | 0,330 | 0,523 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,024 | 0,020 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».