Strategies for enabling physician leadership and involvement in quality improvement: a scoping review
Notice bibliographique
Résumé
Background: The importance of physician advocacy and leadership in quality improvement (QI) in health care is well recognized, but achieving physician involvement is challenging. The purpose of this scoping review was to describe strategies used in physician-led QI models/approaches that include learning about the science of improvement and may enable physician QI capability, participation, and leadership. Methods: Articles were identified through electronic searches of MEDLINE, Embase, CINAHL, and Scopus, and reference lists were reviewed. For each model/approach, descriptions of strategies were extracted and the frequency of each strategy was determined. Thematic analysis was conducted. Results: Eleven articles representing nine unique models/approaches were included. From these, 20 enabler strategies were identified, and eight themes emerged: dedicated support staff; operational alignment and leader support; evidence-informed care; sharing QI to encourage QI; financial investment; formal QI leader role and responsibility; physician mentorship; and QI capability. No model/approach included all the strategies, and the number of strategies aligned with each theme varied. Heterogeneity in reporting physician-led QI approaches and broad use of the term “physician-led” increased search complexity. Conclusion: Comprehensive models/approaches that encourage physicians to participate in and lead QI while learning the science of improvement have not yet been developed. Research on physician QI participation and strategy evaluation, including effectiveness, is required. This review offers a road map of enabler strategies that can be used to support future models.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».