Improving Mortality Through a Multihospital, Collaborative Quality Improvement Project
Notice bibliographique
Résumé
Improving hospital mortality is a key focus of quality and safety efforts at both the local and national level. Structured interventions can assist organizations in determining whether interventional efforts have led to sustained improvement. The PARiHS framework (Promoting Action on Research Implementation in Health Services) can assist organizations in implementing research into practice. This study investigates the use of the PARiHS framework in implementing a multihospital quality improvement project aimed at improving observed-to-expected mortality as measured by Vizient's Clinical Data Base (CDB). Structured interventions during the study period included mortality reviews, clinical documentation improvement opportunities, educational webinars, training and support in the use of CDB to explore ongoing opportunities for mortality improvement and quarterly reports to each participating hospital's leadership team on their performance. Data were gathered from an improvement collaborative in the Upper Midwest, which comprised 34 hospitals, of which 17 participated in the intervention. Measurement occurred from Quarter 4 2016 through Quarter 3 2020 and consisted of a preintervention, intervention, and postintervention period. Although both participating and nonparticipating hospitals achieved a significant reduction in their mortality observed-to-expected ratio from the preintervention period through the postintervention period, the participating hospitals achieved a greater reduction in their observed-to-expected mortality ratio ( P < 0.0004). In addition, the participating hospitals achieved a relative 21% improvement in the mortality domain rank of the Vizient Quality & Accountability Study.
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 | 0,043 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».