Improving the quality of person-centred healthcare from the patient perspective: development of person-centred quality indicators
Notice bibliographique
Résumé
IMPORTANCE: International efforts are being made towards a person-centred care (PCC) model, but there are currently no standardised mechanisms to measure and monitor PCC at a healthcare system level. The use of metrics to measure PCC can help to drive the changes needed to improve the quality of healthcare that is person centred. OBJECTIVE: To develop and validate person-centred care quality indicators (PC-QIs) measuring PCC at a healthcare system level through a synthesis of the evidence and a person-centred consensus approach to ensure the PC-QIs reflect what matters most to people in their care. METHODS: Existing indicators were first identified through a scoping review of the literature and an international environmental scan. Focus group discussions with diverse patients and caregivers and interviews with clinicians and experts in quality improvement allowed us to identify gaps in current measurement of PCC and inform the development of new PC-QIs. A set of identified and newly developed PC-QIs were subsequently refined by Delphi consensus process using a modified RAND/UCLA Appropriateness Method. The international consensus panel consisted of patients, family members, community representatives, clinicians, researchers and healthcare quality experts. RESULTS: From an initial 39 unique evidence-based PC-QIs identified and developed, the consensus process yielded 26 final PC-QIs. These included 7 related to structure, 16 related to process, 2 related to outcome and 1 overall global PC-QI. CONCLUSIONS: The final 26 evidence-based and person-informed PC-QIs can be used to measure and evaluate quality incorporating patient perspectives, empowering jurisdictions to monitor healthcare system performance and evaluate policy and practice related to PCC.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».