Implementing Large-Scale Data-Driven Quality Improvement in Assisted Living
Notice bibliographique
Résumé
OBJECTIVES: Develop and evaluate the implementation of a proposed model for large-scale data-driven quality improvement in assisted living. DESIGN: We conducted a mixed-methods evaluation of the implementation of a large-scale data-driven quality improvement collaborative of Wisconsin assisted living communities (ALCs). SETTING AND PARTICIPANTS: The model has been voluntarily implemented by 810 Wisconsin-licensed ALCs serving >20,000 residents. METHODS: The model was codesigned iteratively 2009-2012 by a public-private multistakeholder advisory group. Using system usage statistics and project records, we evaluated implementation outcomes: appropriateness, acceptability, adoption, feasibility, fidelity, penetration, and sustainability. RESULTS: Implementation for ≥1 quarter was feasible for 92% of the 810 ALCs that enrolled. The model has been deemed appropriate and acceptable by public-private stakeholders representing residents, providers, regulators, and payers, and appropriateness for ALCs serving different populations has been iteratively improved through targeted workgroups. The model is currently adopted in Wisconsin by 31% of the 1573 ALCs in provider associations. Among adopters, 88% on average implemented the model with fidelity to key membership rules per quarter. The model achieved demographic and institutional penetration by currently reaching 24% of Wisconsin ALC residents and by leveraging initial grant funding to become integrated in Wisconsin's annual Medicaid budget and being central to Wisconsin's incentive program to managed care organizations. Model implementation for 8 years has been sustained by member enrollment for nearly 4 years on average, with 71% of members enrolled >2 years and sustained early adopters representing 37% that have been enrolled >5 years. CONCLUSIONS AND IMPLICATIONS: This is the first implementation study of large-scale data-driven quality improvement in assisted living, despite its demonstrated value in other health care sectors. The article proposes a model with core components and implementation strategies drawing on a decade-long public-private collaboration. The implementation study findings establish a promising path and future directions for wider implementation.
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 | 0,093 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».