The uses of Patient Reported Experience Measures in health systems: A systematic narrative review
Notice bibliographique
Résumé
BACKGROUND: Many governments have programmes collecting and reporting patient experience data, captured through Patient Reported Experience Measures (PREMs). Our study aims to capture and describe all the ways in which PREM data are used within healthcare systems, and explore the impacts of using PREMs at one level (e.g. national health system strategy) on other levels (e.g. providers). METHODS: We conducted a narrative review, underpinned by a systematic search of the literature. RESULTS: 1,711 unique entries were identified through the search process. After abstract screening, 142 articles were reviewed in full, resulting in 28 for final inclusion. A majority of papers describe uses of PREMs at the micro level, focussed on improving quality of front-line care. Meso-level uses were in quality-based financing or for performance improvement. Few macro-level uses were identified. We found limited evidence of the impact of meso‑ and macro- efforts to stimulate action to improve patient experience at the micro-level. CONCLUSIONS: PREM data are used as performance information at all levels in health systems. The use of PREM data at macro- and meso‑ levels may have an effect in stimulating action at the micro-level, but there is a lack of systematic evidence, or evaluation of these micro-level actions. Longitudinal studies would help better understand how to improve patient experience, and interfaces between PREM scores and the wider associated positive outcomes.
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 | 0,029 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,013 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».