MétaCan
Menu
Retour à la cohorte
Enregistrement W3012475239 · doi:10.1186/s13075-020-02151-w

A Canadian evaluation framework for quality improvement in childhood arthritis: key performance indicators of the process of care

2020· review· en· W3012475239 sur OpenAlexafffundabout
Claire Barber, Marinka Twilt, Tram Pham, Gillian Currie, Susanne M. Benseler, Rae S. M. Yeung, Michelle Batthish, Nicholas Blanchette, Jaime Guzmán, Bianca Lang, Claire LeBlanc, Deborah M. Levy, Christine O’Brien, Heinrike Schmeling, Gordon S. Soon, Lynn Spiegel, Kristi Whitney, Deborah A. Marshall

Notice bibliographique

RevueArthritis Research & Therapy · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueAutoimmune and Inflammatory Disorders Research
Établissements canadiensTrillium Health CentreUniversity of British ColumbiaHospital for Sick ChildrenDalhousie UniversityUniversity of TorontoAlberta Children's HospitalMcMaster UniversityMcMaster Children's HospitalMcGill UniversityUniversity of Calgary
Organismes subventionnairesAlberta Children's Hospital Research InstituteOntario Ministry of Economic Development, Job Creation and TradeGenome AlbertaHospital for Sick ChildrenArthritis SocietyMinistero dello Sviluppo EconomicoOntario GenomicsGenome Canada
Mots-clésPerformance indicatorMedicineLikert scaleDelphi methodQuality (philosophy)Physical therapyInclusion (mineral)Family medicinePsychologyComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The evaluation of quality of care in juvenile idiopathic arthritis (JIA) is critical for advancing patient outcomes but is not currently part of routine care across all centers in Canada. The study objective is to review the current landscape of JIA quality measures and use expert panel consensus to define key performance indicators (KPIs) that are important and feasible to collect for routine monitoring in JIA care in Canada. METHODS: Thirty-seven candidate KPIs identified from a systematic review were reviewed for inclusion by a working group including 3 pediatric rheumatologists. A shortlist of 14 KPIs was then assessed using a 3-round modified Delphi panel based on the RAND/UCLA Appropriateness Method. Ten panelists across Canada participated based on their expertise in JIA, quality measurement, or lived experience as a parent of a child with JIA. During rounds 1 and 3, panelists rated each KPI on a 1-9 Likert scale on themes of importance, feasibility, and priority. In round 2, panelists participated in a moderated in-person discussion that resulted in minor modifications to some KPIs. KPIs with median scores of ≥ 7 on all 3 questions without disagreement were included in the framework. RESULTS: Ten KPIs met the criteria for inclusion after round 3. Five KPIs addressed patient assessments: pain, joint count, functional status, global assessment of disease activity, and the clinical Juvenile Arthritis Disease Activity Score (cJADAS). Three KPIs examined access to care: wait times for consultation, access to pediatric rheumatologists within 1 year of diagnosis, and frequency of clinical follow-up. Safety was addressed through KPIs on tuberculous screening and laboratory monitoring. KPIs examining functional status using the Childhood Health Assessment Questionnaire (CHAQ), quality of life, uveitis, and patient satisfaction were excluded due to concerns about feasibility of measurement. CONCLUSIONS: The proposed KPIs build upon existing KPIs and address important processes of care that should be measured to improve the quality of JIA care. The feasibility of capturing these measures will be tested in various data sources including the Understanding Childhood Arthritis Network (UCAN) studies. Subsequent work should focus on development of meaningful outcome KPIs to drive JIA quality improvement in Canada and beyond.

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)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,984
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,429
Écart entre enseignants0,368 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations21
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueArthritis Research & TherapyMême sujetAutoimmune and Inflammatory Disorders ResearchTravaux en français237 207