Resource stewardship and Choosing Wisely in a children’s hospital
Notice bibliographique
Résumé
Objectives: Evidence suggests that approximately 30% of the tests and treatments currently prescribed in healthcare are potentially unnecessary, may not add value, and in some cases cause harm. We describe the evolution of our hospital's Choosing Wisely (CW) program over the first 5 years of existence, highlighting the enablers, challenges, and overall lessons learned with the goal of informing other healthcare providers about implementing resource stewardship initiatives in paediatric healthcare settings. Methods: We describe the development of de novo "top 5" CW lists of recommendations using anonymous surveys and Likert scale scoring. Composition and role of the steering committee, measurement of data and outcomes, and implementation strategies are outlined. Results: Many projects have resulted in a successful decrease in inappropriate utilization while simultaneously monitoring for unintended consequences. Examples include respiratory viral testing in the emergency department (ED) decreased by greater than 80%; ankle radiographs for children with ankle injuries decreased from 88% to 54%; and use of IVIG for treatment of typical ITP cases decreased from 88% to 55%. Early involvement focused within General Paediatrics and the ED, but later expanded to include perioperative services and paediatric subspecialties. Conclusions: An internally developed CW program in a children's hospital can reduce targeted areas of potentially unnecessary tests and treatments. Enablers include credible clinician champions, organizational leadership support, reliable measurement strategies, and dedicated resource stewardship education. The lessons learned may be generalizable to other paediatric healthcare settings and providers looking to introduce a similar approach to target unnecessary care in their own organizations.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».