Development and evaluation of a quality improvement framework for healthcare
Notice bibliographique
Résumé
OBJECTIVE: Develop and evaluate a framework for quality improvement which will provide a common approach, terminology and greater likelihood of success in achieving demonstrable and sustained improvement. DESIGN: Descriptive with mixed methods evaluation. SETTING: Tertiary care academic hospital in Ottawa, Canada. PARTICIPANTS: Students enrolled in the Quality and Patient Safety Leadership Executive Program at the local university. METHODS: The quality improvement (QI) framework was developed though comparison and coding of key strengths across four commonly applied quality improvement frameworks. Effectiveness of the framework was evaluated through a satisfaction survey of students who were taught the framework, and independent assessment of student improvement initiatives that followed the QI Framework versus initiatives from a prior year who did not. MAIN OUTCOME MEASURES: Acceptability and effectiveness of the QI Framework. RESULTS: All participants found the QI Framework to be useful and easy to follow. Independent evaluation of improvement initiatives following the QI Framework, as compared to those that did not, scored higher (95% CI: 3.0 ± 0.49) than the projects completed without the QI Framework (95% CI: 2.2 ± 0.30), P value < 0.01. Scores were higher for cohort 2017/18 in all criteria except scaling and spreading, in which there was no change (2015/16 95% CI: 1.2 ± 0.24, 2017/18 95% CI: 1.2 ± 0.38). CONCLUSIONS: The method we have developed is acceptable and helpful to users, and overall application resulted in higher quality initiatives. We believe this method, which we have branded as The Ottawa Hospital Innovation Framework, can be beneficial in healthcare settings for a variety of change 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 | 0,018 | 0,010 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».