Six Sigma performance of quality indicators in total testing process of point-of-care glucose measurement: A two-year review
Notice bibliographique
Résumé
OBJECTIVES: The error rate in the total testing process (TTP) of point-of-care (POC) glucose measurement remains high although a total quality management system has been applied. Quality indicators (QIs) in the TTP of glucose meter were established via risk assessment. Their two-year Six Sigma values were reviewed for quality improvement. DESIGN: The TTP of POC glucose measurement was mapped to identify risks in key steps. The risks were assessed for their frequency and severity of impact on patient safety. Whenever possible, measurable data from the data management system and other sources was collected to establish QIs for risk monitoring. Average Six Sigma value of each QI in the last two years was calculated for acceptance and for determining corrective action. RESULTS: 29 risks were identified in eight key steps of the TTP. Eight QIs were established for monitoring six risks and three QIs for two accepted risks were established for improving operator testing skill. The QIs had a good coverage to key steps. Two, five and four QIs showed Six Sigma values <3, 3-4 and >4 respectively. Six Sigma values of two QIs related to quality control (QC) testing were improved by using meters with accurate QC sample loading. CONCLUSIONS: The establishment of QIs for glucose measurement by risk assessment with measurable data from the data management system and on Six sigma scale was effective, efficient, and manageable. Most of QIs' Six Sigma values were between 3 and 5, which could be improved by using upgraded meters.
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 | 0,022 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 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 ».