If we cannot measure it, we cannot improve it: Understanding measurement problems in routine oral/dental assessments in Canadian nursing homes—Part I
Notice bibliographique
Résumé
OBJECTIVE: To compare Resident Assessment Instrument-Minimum Data Set 2.0 (RAI) oral/dental items collected by nursing home (NH) care staff to (a) assessments collected by trained research assistants (RAs) and (b) "gold standard" clinical assessments by dental hygienists (DHs). BACKGROUND: Routine collection of RAI oral/dental items is mandatory in most Canadian NHs. However, the performance of these items is less than optimal and oral/dental problems are severely under-reported. Accurate assessment is a prerequisite for preventing, detecting and treating oral health problems. Not knowing the reasons for performance problems is a barrier to improving performance of the RAI oral/dental items. MATERIALS AND METHODS: We included 103 NH residents from 4 NHs in Edmonton, Alberta, Canada. Using Kappa statistics, we compared the agreement of residents' last (no older than 90 days) RAI assessment with RAI assessments completed by trained RAs and "gold standard" clinical assessments by DHs. We also assessed the inter-rater reliability (IRR) of RA and DH assessments. RESULTS: Care staff assessments had poor agreement with RA and DH assessments (Kappa < 0.2 for most items). RAs and DHs identified more oral/dental problems than care staff. However, IRR of RA assessments was low (Kappa < 0.7 for 7/9 items). IRR of DH assessments was acceptable (Kappa > 0.7) for most items. CONCLUSIONS: The quality of RAI oral/dental assessments can be improved by better training care staff and ensuring appropriate time to do the assessments. However, remaining problems-even with trained RAs-suggest that rewording some of the items or supplementing them by more robust tools may be required.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».