Improving healthcare quality in the United States healthcare system: A scientific management approach
Notice bibliographique
Résumé
The US healthcare system has been facing pressures from stakeholders to reduce costs and improve quality. The purpose of this paper is to develop a conceptual model to illustrate the approaches used in healthcare quality management (Continuous Quality Improvement/Total Quality Management, Lean, and Six Sigma) weaved into the underlying framework of scientific management theory. This paper employs scientific management theory to explain the healthcare quality tenets that influence the quality of care in our healthcare organizations. The father of scientific management, Frederick Taylor, and other key contributors collectively created scientific management principles, which are widely used for quality improvement purposes both in the engineering and the healthcare field. Healthcare quality is also discussed with examples of the application of scientific management principles. Shared themes between scientific management principles and healthcare quality tenets, as given in CQI/TQM, Six Sigma-Lean, and Donabedian Model, were developed. To understand the three pillars of quality (structure, process, outcome) in relation to the underpinnings of scientific management principles, we incorporated insights of scientific management theory into Donabedian’s healthcare quality model. It is recommended that selection of personnel play a more significant role among human resources practices in organizations; strategy formulation must include a careful assessment of organizations’ strengths and weaknesses with regard to continuous quality improvement, with organizations striving to achieve standardization to attain efficiency and reduce costs.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».