De-implementing wisely: developing the evidence base to reduce low-value care
Notice bibliographique
Résumé
Choosing Wisely (CW) campaigns globally have focused attention on the need to reduce low-value care, which can represent up to 30% of the costs of healthcare. Despite early enthusiasm for the CW initiative, few large-scale changes in rates of low-value care have been reported since the launch of these campaigns. Recent commentaries suggest that the focus of the campaign should be on implementation of evidence-based strategies to effectively reduce low-value care. This paper describes the Choosing Wisely De-Implementation Framework (CWDIF), a novel framework that builds on previous work in the field of implementation science and proposes a comprehensive approach to systematically reduce low-value care in both hospital and community settings and advance the science of de-implementation. The CWDIF consists of five phases: Phase 0 , identification of potential areas of low-value healthcare; Phase 1 , identification of local priorities for implementation of CW recommendations; Phase 2 , identification of barriers to implementing CW recommendations and potential interventions to overcome these; Phase 3 , rigorous evaluations of CW implementation programmes; Phase 4 , spread of effective CW implementation programmes. We provide a worked example of applying the CWDIF to develop and evaluate an implementation programme to reduce unnecessary preoperative testing in healthy patients undergoing low-risk surgeries and to further develop the evidence base to reduce low-value care.
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 | 0,574 | 0,657 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,029 | 0,013 |
| Études des sciences et des technologies | 0,007 | 0,023 |
| Communication savante | 0,026 | 0,023 |
| Science ouverte | 0,014 | 0,026 |
| Intégrité de la recherche | 0,018 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».