How Do We Align Health Services Research and Quality Improvement?
Notice bibliographique
Résumé
Quality improvement (QI) initiatives and health services research (HSR) are commonly used to target health care quality. These disciplines are increasingly important because of the movement toward value-based health care as alternative payment and care delivery models drive institutions and investigators to focus on reducing unnecessary health care use and improving care coordination. QI efforts frequently target medical error and/or efficiency of care through the Plan-Do-Study-Act methodology. Within the QI framework, strategies for data display (e.g., Pareto charts, run charts, histograms, scatter plots) are leveraged to identify opportunities for intervention and improvement. HSR is a multidisciplinary field of study that seeks to identify the most effective way to organize, deliver, and finance health care to maximize the quality and value of care at both the individual and population levels. HSR uses a diverse set of quantitative and qualitative methodologies, such as case-control studies, cohort studies, randomized control trials, and semistructured interview/focus group evaluations. This manuscript provides examples of methodologic approaches for QI and HSR, discusses potential challenges associated with concurrent quality efforts, and identifies strategies to successfully leverage the strengths of each discipline in care delivery.
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 | 0,097 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,010 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,018 | 0,029 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,013 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».