Novel quality improvement method to reduce cost while improving the quality of patient care: retrospective observational study
Notice bibliographique
Résumé
BACKGROUND: Healthcare cost management strategies are limited in number and resource intensive. Budget constraints in the National Health Service Scotland (NHS Scotland) apply pressure on regional health boards to improve efficiency while preserving quality. METHODS: We developed a technical method to assist health systems to reduce operating costs, called continuous value management (CVM). Derived from lean accounting and employing quality improvement (QI) methods, the approach allows for management to reduce or repurpose resources to improve efficiency. The primary outcome measure was the cost per patient admitted to the ward in British pounds (£). INTERVENTIONS: The first step of CVM is developing a standard care model. Teams then track system performance weekly using a tool called the 'box score', and improve performance using QI methods with results displayed on a visual management board. A 29-bed inpatient respiratory ward in a mid-sized hospital in NHS Scotland pilot tested the method. RESULTS: We included 5806 patients between October 2016 and May 2018. During the 18-month pilot, the ward realised a 21.8% reduction in cost per patient admitted to the ward (from an initial average level of £807.70 to £631.50 as a new average applying Shewhart control chart rules, p<0.0001), and agency nursing spend decreased by 30.8%. The ward realised a 28.9% increase in the number of patients admitted to the ward per week. Other quality measures (eg, staff satisfaction) were sustained or improved. CONCLUSION: CVM methods reduced the cost of care while improving quality. Most of the reduction came by way of reduced bank nursing spend. Work is under way to further test CVM and understand leadership behaviours supporting scale-up.
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 | 0,032 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».