Quality and Efficacy of Multidisciplinary Team (MDT) Quality Assessment Tools and Discussion Checklists: A Systematic Review
Notice bibliographique
Résumé
Abstract Background MDT discussion is the gold standard for cancer care in the UK. With the incidence of cancer on the rise, demand for MDT discussion is increasing. The need for efficiency, whilst maintaining high standards, is therefore clear. Paper-based MDT quality assessment tools and discussion checklists may represent a practical method of monitoring and improving MDT practice. This reviews aims to describe and appraise these tools, as well as consider their value to quality improvement. Methods Medline, EMBASE and PsycInfo were searched using pre-defined terms. The PRISMA model was followed throughout. Studies were included if they described the development of a relevant tool, or if an element of the methodology further informed tool quality assessment. To investigate efficacy, studies using a tool as a method of quality improvement in MDT practice were also included. Study quality was appraised using the COSMIN risk of bias checklist or the Newcastle-Ottawa scale, depending on study type. Results The search returned 6888 results. 17 studies were included. In total 6 tools were identified. Overall, methodological quality in tool development was adequate to very good for assessed aspects of validity and reliability. Clinician feedback was positive. In one study, the introduction of a discussion checklist improved MDT ability to reach a decision from 82.2–92.7%. Improvement was also noted in the quality of information presented and the quality of teamwork. Conclusions Several tools for assessment and guidance of MDTs are available. Although limited, current evidence indicates sufficient rigour in their development and their potential for quality improvement.
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 | 0,011 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».