MétaCan
Menu
Retour à la cohorte
Enregistrement W2968251987 · doi:10.12688/hrbopenres.12912.1

Capturing data for emergency department performance monitoring purposes

2019· preprint· en· W2968251987 sur OpenAlexaff
Aileen McCabe, Maria Brenner, Philip Larkin, Sinéad Nic an Fhailí, Brenda Gannon, Ronan O’Sullivan, Abel Wakai

Notice bibliographique

RevueHRB Open Research · 2019
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHealthcare Systems and Technology
Établissements canadiensHealth Sciences Centre
Organismes subventionnairesHealth Research Board
Mots-clésEmergency departmentContext (archaeology)Data collectionBig dataThematic analysisComputer scienceMedical emergencyMedicineQualitative researchNursingData mining

Résumé

récupéré en direct d'OpenAlex

<ns5:p> <ns5:bold>Background:</ns5:bold> Good-quality data is required for valid and reliable key performance indicators. Little is known of the facilitators and barriers of capturing the required data for emergency department key performance indicators. This study aimed to explore and understand how current emergency department data collection systems relevant to emergency department key performance indicators are integrated into routine service delivery, and to identify the resources required to capture these data elements. </ns5:p> <ns5:p> <ns5:bold>Methods:</ns5:bold> Following pilot testing, we conducted two focus groups with a multi-disciplinary panel of 14 emergency department stakeholders drawn from urban and rural emergency departments, respectively. Focus groups were analyzed using Attride–Stirling’s framework for thematic network analysis. </ns5:p> <ns5:p> <ns5:bold>Results:</ns5:bold> The global theme “Understanding facilitators and barriers for emergency department data collection systems” emerged from three organizing themes: “understanding current emergency department data collection systems”; “achieving the ideal emergency department data capture system for the implementation of emergency department key performance indicators”; and “emergency department data capture systems for performance monitoring purposes within the wider context”. </ns5:p> <ns5:p> <ns5:bold>Conclusion:</ns5:bold> The pathways to improving emergency department data capture systems for emergency department key performance indicators include upgrading emergency department information systems and investment in hardware technology and data managers. Educating stakeholders outside the emergency department regarding the importance of emergency department key performance indicators as hospital-wide performance indicators underpins the successful implementation of valid and reliable emergency department key performance indicators. </ns5:p>

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)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte
Catégories consensuellesScience ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,778
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0060,024
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,461
Tête enseignante GPT0,479
Écart entre enseignants0,017 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHRB Open ResearchMême sujetHealthcare Systems and TechnologyTravaux en français237 207