How to analyze and link patient experience surveys with administrative data to drive health service improvement -- examples from Alberta, Canada
Notice bibliographique
Résumé
The ability of hospitals and health systems to learn from those who use its services (i.e., patients and families) is crucial for quality improvement and the delivery of high-quality patient-centered care. To this end, many hospitals and health systems regularly collect survey data from patients and their families, and are engaged in activities to publicly report the results. Despite this, there has been limited research into the experiences of patients and families, and how to improve them. Since 2015, our research team has conducted a variety of studies which have explored patient experience survey data, in isolation, and in linkages with routinely-captured administrative data sets across Alberta; a Canadian province of 4.4 million residents. Via secondary analyses, these studies have shed light upon the drivers of inpatient experience, the specific aspects of care which are most correlated with one's overall experiences, and the association of elements of the patient experience with other measures, such as patient safety indicators and unplanned hospital readmissions. The aim of this paper is to provide an overview of the methods we have used, including further details about the data sets and linkage protocol. The main findings from these papers have been presented for readers and those who wish to conduct their own work in this area.
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 | 0,043 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,014 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».