Are the benefits of lean rapid process improvement workshops in healthcare worth the investment?
Notice bibliographique
Résumé
Background: Many organizations have adopted Lean tools to improve healthcare, but few studies adequately evaluate the effectiveness of Lean tools, such as Rapid Process Improvement Workshops (RPIWs).Objective: To evaluate the effectiveness of RPIWs conducted in surgical services at two hospital sites from economic and statistical perspectives.Methods: Retrospective data over three years from the two interventions sites were used for a cost-benefit analysis in the form of Return on Investment (ROI). The Interrupted Time Series (ITS) method was used to analyze the trends of selected process measures such as surgical volumes, overtime, and sick time hours during intervention and post-intervention periods at the two sites. Also, comparable data from two control sites were used to statistically compare the trends of some of the process measures between the intervention and control sites.Results: The cumulative effects of the six RPIWs performed at each site were examined. The results did not produce any evidence to indicate that the outcomes justify the investments. The ITS analysis revealed no indication of systematic and sustained change in the pattern of process measures at the intervention sites as a result of RPIWs. Nor did they provide significant or conclusive evidence when comparing the process measures between the intervention and control sites.Conclusions: This study identifies some of the difficulties of empirically calculating the ROI of RPIWs, and provides evidence that any realized benefits due to RPIWs implemented in two hospitals were not worth the investment. Such a result may lead us to challenge any unfounded claims of high monetary benefits from Lean tools or similar quality improvement initiatives.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».