Best-practice Indicators in Psoriatic Disease Care
Notice bibliographique
Résumé
OBJECTIVE: In 2016, members of the Group for Research and Assessment of Psoriasis and Psoriatic Arthritis (GRAPPA), in collaboration with KPMG LLP (UK), conducted a study to measure care in psoriatic arthritis (PsA). A key finding was that centers do not usually have processes in place to measure the effect of improved quality of care. Our objectives were to identify and select best-practice indicators to enable PsA caregivers to assess and monitor the outcomes of specific initiatives aimed at improving care in 4 focus areas: (1) shortening time to diagnosis; (2) improving multidisciplinary collaboration; (3) optimizing disease management; and (4) improving disease monitoring. METHODS: (1) Structured review of scientific and grey literature to obtain evidence for a long list of 100 potential indicators across the 4 focus areas; (2) survey expert rheumatologists and dermatologists to review the long list and identify the most meaningful and feasible indicators for use in day-to-day practice; (3) consensus discussion to identify a shortlist of indicators based on predefined selection criteria; (4) electronic group discussion to refine definitions of shortlisted indicators and targets; and (5) review of the shortlisted indicators at the annual GRAPPA meeting in July 2018 to ensure the indicators meet the preliminary criteria. RESULTS: The expert group arrived at a consensus with a shortlist of 8 best-practice indicators across 4 key focus areas aligned with the patient pathway. CONCLUSION: There were 8 evidence-based best-practice indicators and respective targets that were identified to enable the monitoring of quality of care and target improvements.
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 | 0,125 | 0,307 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,015 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».