MétaCan
Menu
Retour à la cohorte
Enregistrement W2912090366 · doi:10.1002/pmrj.12130

Quality Improvement in Rehabilitation: A Primer for Physical Medicine and Rehabilitation Specialists

2019· review· en· W2912090366 sur OpenAlexaff
Meiqi Guo, Chris Fortin, Amanda L. Mayo, Lawrence R. Robinson, Alexander Lo

Notice bibliographique

RevuePM&R · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreSinai Health SystemToronto Rehabilitation InstituteUniversity Health NetworkUniversity of TorontoBridgepoint Active Healthcare
Organismes subventionnairesnon disponible
Mots-clésRehabilitationMedicineQuality managementQuality (philosophy)Physical therapyPlan (archaeology)Best practiceMEDLINEPhysical medicine and rehabilitationOperations managementEngineering

Résumé

récupéré en direct d'OpenAlex

Physiatrists in all practice settings can improve the care of rehabilitation patients through the rigorous application of quality improvement (QI) methodology. This primer provides a step-by-step guide to QI in rehabilitation settings for academic and community physiatrists, using the Model for Improvement. Key concepts discussed include Plan-Do-Study-Act cycles, setting optimal aim statements and measures, involving the rehabilitation team, diagnostic tools to understand root causes of quality problems, selection of change concepts and ideas, and utilizing run charts for data analysis. A QI project focused on the secondary prevention of vascular complications in amputees with diabetes admitted to inpatient rehabilitation is used as an illustrative example throughout the primer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,033
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,033
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,394
Tête enseignante GPT0,600
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePM&RMême sujetClinical practice guidelines implementationTravaux en français237 207