Content and process: using continuous quality improvement to teach and evaluate learning outcomes in quality improvement residency education
Notice bibliographique
Résumé
BACKGROUND: Psychiatry has not prioritised quality improvement and patient safety (QIPS) to the same degree as other medical specialties. Professional capacity building in QIPS through the education of residents is essential to improving the quality and safety of mental healthcare delivery. LOCAL PROBLEM: The University of Toronto postgraduate psychiatry program is the largest psychiatry training program in North America. Training in QIPS was introduced in 2006. In 2019, a curricular review found that few trainees acquired competence in QIPS. METHODS: Curricular change was undertaken using Kern's Six-Step Approach to curricular design. We used a continuous quality improvement framework to inform the evaluation with data collection using an online educational application. We aimed to improve competence in QIPS as demonstrated by assessment of the quality of individual quality improvement projects (IQIP) on an 11-item rubric. We used a family of quality improvement measures to iteratively improve the curriculum over 3 years. INTERVENTIONS: We restructured the QIPS curriculum into four case-based seminars for third year psychiatry residents. The curriculum included: clear learning objectives, multimodal instructional methods, and an IQIP. RESULTS: 2.63). In the first two cohorts of residents to complete the IQIPs, 67/72 (93%) completed at least one Plan-Do-Study-Act cycle, compared with 11/23 (48%) in the 2 years before the new curriculum. CONCLUSIONS: To ensure our trainees were attaining the educational goal of competence in QIPS, we introduced a revised QIPS curriculum and embedded an evaluation rooted in improvement science. This study adds to the limited literature which uses continuous quality improvement to enhance QIPS education, which is particularly needed in mental health.
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 | 0,025 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».