MétaCan
Menu
Retour à la cohorte
Enregistrement W4282831547 · doi:10.1002/cncr.33944

Development of a workflow process mapping protocol to inform the implementation of regional patient navigation programs in breast oncology

2022· article· en· W4282831547 sur OpenAlexaboutno aff
Nicole Casanova, Amy LeClair, Victoria Xiao, Katelyn Mullikin, Stephenie C. Lemon, Karen M. Freund, Jennifer S. Haas, Rachel A. Freedman, Tracy A. Battaglia

Notice bibliographique

RevueCancer · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Cancer Incidence and Screening
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesHarvard CatalystNational Institutes of HealthNational Cancer InstituteBoston UniversityAmerican Cancer Society
Mots-clésWorkflowProcess managementData collectionProcess (computing)Computer scienceQuality managementProtocol (science)Health careStakeholderMedicineKnowledge managementDatabaseOperations managementManagement systemEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Implementing city-wide patient navigation processes that support patients across the continuum of cancer care is impeded by a lack of standardized tools to integrate workflows and reduce gaps in care. The authors present an actionable workflow process mapping protocol for navigation process planning and improvement based on methods developed for the Translating Research Into Practice study. METHODS: Key stakeholders at each study site were identified through existing community partnerships, and data on each site's navigation processes were collected using mixed methods through a series of team meetings. The authors used Health Quality Ontario's Quality Improvement Guide, service design principles, and key stakeholder input to map the collected data onto a template structured according to the case-management model. RESULTS: Data collection and process mapping exercises resulted in a 10-step protocol that includes: 1) workflow mapping procedures to guide data collection on the series of activities performed by health care personnel that comprise a patient's navigation experience, 2) a site survey to assess program characteristics, 3) a semistructured interview guide to assess care coordination workflows, 4) a site-level swim lane workflow process mapping template, and 5) a regional high-level process mapping template to aggregate data from multiple site-level process maps. CONCLUSIONS: This iterative, participatory approach to data collection and process mapping can be used by improvement teams to streamline care coordination, ultimately improving the design and delivery of an evidence-based navigation model that spans multiple treatment modalities and multiple health systems in a metropolitan area. This protocol is presented as an actionable toolkit so the work may be replicated to support other quality-improvement initiatives and efforts to design truly patient-centered breast cancer treatment experiences. LAY SUMMARY: Evidence-based patient navigation in breast cancer care requires the integration of services through each phase of cancer treatment. The Translating Research Into Practice study aims to implement patient navigation for patients with breast cancer who are at risk for delays and are seeking care across 6 health systems in Boston, Massachusetts. The authors designed a 10-step protocol outlining procedures and tools that support a systematic assessment for health systems that want to implement breast cancer patient navigation services for patients who are at risk for treatment delays.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,196
score de la tête « metaresearch » (Gemma)0,205
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Protocole · Signal consensuel: Protocole
Score de désaccord entre enseignants0,196
Score d'incertitude au seuil0,992

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1960,205
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,004
Études des sciences et des technologies0,0070,003
Communication savante0,0040,005
Science ouverte0,0050,005
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0240,007

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 Opus0,129
Tête enseignante GPT0,431
Écart entre enseignants0,302 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancerMême sujetGlobal Cancer Incidence and ScreeningTravaux en français237 207