Use of Performance Data by Mid-Level Hospital Managers in Ontario: Results of a Province-Wide Survey and a Comparison with Hospital Managers in Europe
Notice bibliographique
Résumé
This paper provides insights into the use of performance data by middle managerial staff in Ontario hospitals in 2019 and compares the results to a study conducted in Europe in the same year.A total of 236 managers working in 61 hospitals across Ontario provided responses to the survey.Compared to their European colleagues, Ontario respondents self-assessed using significantly more performance data for managerial decision making.The use of performance data in Ontario was mostly motivated by external accountability requirements, followed by internal quality improvement efforts.Ontario managers also reported accessibility, appropriateness and timeliness of data and human resources and engagement as the biggest barriers to further performance data utilization.Comparative studies, such as the one this paper is based on, provide the foundation for drawing lessons across jurisdictions.This paper also affirms the importance of hospital middle management in moving from quality assurance to quality improvement efforts and developing sustainable learning healthcare organizations and systems. RésuméCet article donne un aperçu de l' utilisation des données sur le rendement par le personnel de gestion intermédiaire dans les hôpitaux de l'Ontario en 2019 et compare les résultats à une étude menée en Europe la même année.En tout, 236 gestionnaires œuvrant dans 61 hôpitaux ontariens ont répondu au sondage.Comparativement à leurs collègues européens, les répondants ontariens déclarent utiliser beaucoup plus de données sur le rendement pour la prise de décisions en matière de gestion.L' utilisation des données sur le rendement en Ontario est principalement motivée par les exigences externes en matière de reddition de comptes, suivies d' efforts internes d' amélioration de la qualité.Les gestionnaires ontariens indiquent également que l' accessibilité, la pertinence et l' actualité des données, des ressources humaines et de l' engagement étaient les principaux obstacles à une utilisation plus poussée des données sur le rendement.Des études comparatives, telles que celle sur laquelle se fonde le présent document, fournissent la base pour tirer des leçons entre les juridictions.Cet article affirme également l'importance de la gestion intermédiaire hospitalière dans le passage de l' assurance de qualité vers les efforts d' amélioration de la qualité ainsi que dans le développement d' organisations et de systèmes de santé d' apprentissage durables.T
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».