Managing intergroup silos to improve patient flow
Notice bibliographique
Résumé
BACKGROUND: Health care managers face the critical challenge of overcoming divisions among the many groups involved in patient care, a problem intensified when patients must flow across multiple settings. Surprisingly, however, the patient flow literature rarely engages with its intergroup dimension. PURPOSE: This study explored how managers with responsibility for patient flow understand and approach intergroup divisions and "silo-ing" in health care. METHODOLOGY/APPROACH: We conducted in-depth interviews with 300 purposively sampled senior, middle, and frontline managers across 10 Canadian health jurisdictions. We undertook thematic analysis using sensitizing concepts drawn from the social identity approach. RESULTS: Silos, at multiple levels, were reported in every jurisdiction. The main strategies for ameliorating silos were provision of formal opportunities for staff collaboration, persuasive messages stressing shared values or responsibilities, and structural reorganization to redraw group boundaries. Participants emphasized the benefits of the first two but described structural change as neither necessary nor sufficient for improved collaboration. CONCLUSION: Silos, though an unavoidable feature of organizational life, can be managed and mitigated. However, a key challenge in redefining groups is that the easiest place to draw boundaries from a social identity perspective may not be the best place from one of system design. Narrowly defined groups forge strong identities more easily, but broader groups facilitate coordination of care by minimizing the number of boundaries patients must traverse. PRACTICE IMPLICATIONS: A thoughtfully designed combination of strategies may help to improve intergroup relations and their impact on flow. It may be ideal to foster a "mosaic" identity that affirms group allegiances at multiple levels.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».