MétaCan
Menu
Retour à la cohorte
Enregistrement W3183032369 · doi:10.51731/cjht.2021.74

Single-Entry Models in Surgical Services

2021· article· en· W3183032369 sur OpenAlexaboutno aff
Jonathan Harris

Notice bibliographique

RevueCanadian Journal of Health Technologies · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTriageContext (archaeology)Action planOperations managementMedicineHealth careQuality managementProcess managementNova scotiaQuality (philosophy)Performance indicatorMedical emergencyBusinessManagement systemEngineeringPolitical scienceMarketingManagementGeography

Résumé

récupéré en direct d'OpenAlex


 In the health care system, common elements of SEMs include pooled referrals and waiting lists, centralized intake through a single-entry point, and triage for urgency and appropriateness.
 Four programs including the use of SEMs from the Canadian context were examined: the Winnipeg Central Intake System for hip and knee replacements, the British Columbia Surgical Strategy, the Nova Scotia Hip and Knee Action Plan, and the Saskatchewan Surgical Initiative.
 SEMs were generally implemented as 1 element of broader strategies to reduce surgical waits and enhance quality and safety of surgical services.Key success factors for implementation of SEMs included:
 
 Concurrent investments in surgical capacity and health system resources.
 The establishment of standardized clinical pathways to reduce care variation.
 Strong leadership, including a focus on change management and use of clinician champions.
 Standardized data collection and public reporting on key performance indicators.
 Concurrent focus on quality improvement and patient-centred care.
 
 
 Challenges for implementation of SEMs included:
 
 Effectively managing change and resistance to change.
 Challenges in other areas of the health system that could impact wait times.
 Maintaining strategic focus and predictable funding, especially in the face of external shocks.
 
 

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,971
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,235
Tête enseignante GPT0,447
Écart entre enseignants0,212 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Health TechnologiesMême sujetClinical practice guidelines implementationTravaux en français237 207