The use of patient experience data for quality improvement in hospitals: A scoping review
Notice bibliographique
Résumé
In this paper we identified what was reported in the literature on qualitative and quantitative approaches used to capture and improve patient experiences in a hospital setting. For inclusion, articles were required to describe an embedded strategy for capturing patient experiences that was used to inform quality improvement in a hospital setting. Articles also had to be published in English between January 2004 and December 2020. Six databases (MEDLINE, EMBASE, PsycINFO, CINAHL, Health and Psychosocial Instruments and Cochrane Library) and grey literature (relevant hospital and government websites) were searched. All articles were screened by two reviewers and any disagreements were resolved through consensus. Data were extracted from the included articles using a study-specific form in Microsoft Excel and synthesized using descriptive qualitative and quantitative approaches. Thirty articles were included in this scoping review. Patient experience data were captured through a variety of methods including surveys, focus groups, patient complaints and informal feedback, with the majority using formal, paper-based surveys. A wide range of quality improvement initiatives were implemented as a result of hospitals’ patient experience data, but there was limited contextual information regarding the hospital settings and population characteristics. Initiatives implemented by a dedicated and multidisciplinary quality improvement team (nurses, administrators, physicians, etc.) generally demonstrated positive outcomes. We conclude that more work is needed to better understand how best to capture and use patient experience data for quality improvement, the contexts in which initiatives are successful and how to integrate patients and families in the ongoing implementation and evaluation processes. Experience Framework This article is associated with the Policy & Measurement lens of The Beryl Institute Experience Framework. (https://www.theberylinstitute.org/ExperienceFramework). Access other PXJ articles related to this lens. Access other resources related to this lens.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».