MétaCan
Menu
Retour à la cohorte
Enregistrement W3165575531 · doi:10.1097/mao.0000000000003205

Quality Indicators for the Diagnosis and Management of Sudden Sensorineural Hearing Loss

2021· article· en· W3165575531 sur OpenAlexaff
Justin Cottrell, Siraj K. Zahr, Jonathan Yip, Sumit Agrawal, J. Archibald, Justin Chau, Jane Lea, Vincent Lin, Paul Mick, David P. Morris, Lorne Parnes, David Schramm, Yvonne Chan, John R. de Almeida, Antoine Eskander, Ian Witterick, Eric Monteiro

Notice bibliographique

RevueOtology & Neurotology · 2021
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVestibular and auditory disorders
Établissements canadiensOttawa HospitalUniversity of OttawaUniversity of SaskatchewanUniversity of British ColumbiaUniversity of CalgaryWestern UniversityMcMaster UniversityDalhousie UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineQuality (philosophy)Quality managementLeverage (statistics)Health careOtorhinolaryngologyQuality assuranceMedical physicsOperations managementComputer scienceArtificial intelligenceSurgery

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Sudden sensorineural hearing loss (SSNHL) is an ideal entity for quality indicator (QI) development, providing treatment challenges resulting in variable or substandard care. The American Academy of Otolaryngology-Head and Neck Surgery recently updated their SSNHL guidelines. With SSNHL demonstrating a large burden of illness, this study sought to leverage the updated guidelines and develop QIs that support quality improvement initiatives at an individual, institutional, and systems level. METHODS: Candidate indicators (CIs) were extracted from high-quality SSNHL guidelines that were evaluated using the Appraisal of Guidelines for Research and Evaluation II tool. Each CI and its supporting evidence were summarized and reviewed by a nine-member expert panel based on validity, reliability, and feasibility of measurement. Final QIs were selected from CIs using the modified RAND Corporation-University of California, Los Angeles appropriateness methodology. RESULTS: Fifteen CIs were identified after literature review. After the first round of evaluations, the panel agreed on 11 candidate indicators as appropriate QIs with 2 additional CIs suggested for consideration. An expert panel meeting provided a platform to discuss areas of disagreement before final evaluations. The expert panel subsequently agreed upon 11 final QIs as appropriate measures of high-quality care for SSNHL. CONCLUSION: The 11 proposed QIs from this study are supported by evidence and expert consensus, facilitating measurement across a wide breadth of quality domains. With the recently updated SSNHL guidelines, and a greater focus on quality improvement opportunities, these QIs may be used by healthcare providers for targeted quality improvement initiatives.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,097
score de la tête « metaresearch » (Gemma)0,249
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,514

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0970,249
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0150,013
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0020,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,346
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOtology & NeurotologyMême sujetVestibular and auditory disordersTravaux en français237 207