MétaCan
Menu
Retour à la cohorte
Enregistrement W4285393361 · doi:10.1002/acm2.13718

An introduction to key performance indicators for medical physicists

2022· article· en· W4285393361 sur OpenAlexaff
D.J. DiCostanzo, Lalith K. Kumaraswamy, Jillian Shuman, Daniel C. Pavord, Yanle Hu, David W. Jordan, Christopher G. Waite‐Jones, Annie Hsu

Notice bibliographique

RevueJournal of Applied Clinical Medical Physics · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiation Dose and Imaging
Établissements canadiensHealth Sciences CentreSunnybrook Health Science Centre
Organismes subventionnairesnon disponible
Mots-clésPerformance indicatorScope (computer science)Process managementComputer scienceQuality (philosophy)Key (lock)Health indicatorPerformance measurementPosition paperRisk analysis (engineering)Health careBusinessComputer securityPolitical science

Résumé

récupéré en direct d'OpenAlex

Qualified medical physicists (QMPs) are in a unique position to influence the creation and application of key performance indicators (KPIs) across diverse practices in health care. Developing KPIs requires the involvement of stakeholders in the area of interest. Fundamentally, KPIs should provide actionable information for the stakeholders using or viewing them. During development, it is important to strongly consider the underlying data collection for the KPI, making it automatic whenever possible. Once the KPI has been validated, it is important to setup a review cycle and be prepared to adjust the underlying data or action levels if the KPI is not performing as intended. Examples of specific KPIs for QMPs of common scopes of practice are provided to act as models to aid in implementation. KPIs are a useful tool for QMPs, regardless of the scope of practice or practice environment, to enhance the safety and quality of care being delivered.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,933
Score d'incertitude au seuil0,710

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,370
Écart entre enseignants0,350 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

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 revueJournal of Applied Clinical Medical PhysicsMême sujetRadiation Dose and ImagingTravaux en français237 207