Control rooms in publicly-funded health systems: Reviving value in healthcare governance
Notice bibliographique
Résumé
BACKGROUND: As part of reforms in 2015, the Ministry of Health and Social Services in Quebec, Canada mandated the national implementation of control rooms, making health system actors accountable for implementing value-based performance management. OBJECTIVE: To explore how do organizational actors appropriate control rooms as managerial tools to influence value-based performance in health systems. DESIGN: Multi-site organizational ethnographic case studies (N = 2) and narrative process analysis of triangulated qualitative data collected through non-participatory observations (179.5 h), individual semi-structured interviews (N = 34), and document review (N = 143). RESULTS: The process of appropriating control rooms plays a crucial role in achieving value-based performance management. Appropriating unfolds along three paths (cognitive, structural, technical) over three phases (implementing, testing, adapting). Implementing control rooms both produces and emerges from improvement capacities within healthcare organizations. Testing tools reveals that incompatibilities between tools, structures and values give rise to value-driven distributed clinical leadership. Adapting tools relies on the adaptability of organizations towards the value system driving the tools, rather than on the adaptability of tools to organizational design. CONCLUSION: There is no "one-size-fits-all" framework to design and support the successful appropriation of control rooms towards achieving value-based performance. However, we believe that consideration for the three distinct phases of appropriation and leveraging the right mechanism to support each phase is a first important step in reviving value in healthcare governance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».