Usage of primary and administrative data to measure the economic impact of quality improvement projects
Notice bibliographique
Résumé
In healthcare, quality improvement (QI) aims to improve patient outcomes and fight inefficiencies.1 2 Inefficiency is associated with limited access to care and premature death.3 QI is not a costless endeavour,1 so healthcare providers and decision-makers must quantify both potential health and economic impacts that result from QI projects. Economic analysis supports decision-makers by estimating the value associated with a programme. In QI, this includes studying the costs of implementing a project as well as evaluating any incremental changes in healthcare costs that occur as a result of the project. In tandem with an evaluation of the project’s impact on patient and provider outcomes, economic analysis provides another value dimension. Demonstrating added value can further incentivise resourcing for the implementation of a QI project to decision-makers. Despite the potential benefits of performing economic analyses on QI projects, little guidance exists on how to empirically evaluate their potential costs.4 Primary and administrative data each have unique and complementary strengths. Primary data, collected during a QI project, measures processes and outcomes which are important for evaluation, and are often not captured in administrative data.5 In contrast, administrative data represents a secondary data source which, although routinely collected for purposes other than research, can serve as a source of readily available information that lends itself to further analyses. Primary data are collected immediately, without the delays inherent in accessing and analysing administrative data. Administrative data offers linkable, comprehensive records of health system resource utilisation at both the population and the individual level,6 and provides a way to follow patients over time and outside the facility conducting the project. Measures of performance (eg, changes in the utilisation of healthcare services) can be operationalised to quantify the impact of the project. The objective of this paper is to describe …
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 | 0,102 | 0,330 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,020 | 0,030 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».