Optimizing the Quality of Clinical Data in an Australian Aged Care and Disability Service to Improve Care Delivery and Clinical Outcomes: Protocol for an Agile Lean Six Sigma Study
Notice bibliographique
Résumé
Background In Australia, aged care and disability service providers are legally required to maintain comprehensive and accurate clinical documentation to meet regulatory and funding requirements and support safe and high-quality care provision. However, evidence suggests that poor-quality clinical data and documentation are widespread across the sector and can substantially affect clinical decision-making and care delivery and increase business costs. Objective In the Optimizing the Quality of Clinical Data in an Australian Aged Care and Disability Service to Improve Care Delivery and Clinical Outcomes (OPTIMISE) study, we aim to use an Agile Lean Six Sigma framework to identify opportunities for the optimization of clinical documentation processes and clinical information systems, implement and test optimization solutions, and evaluate postoptimization outcomes in a large postacute community-based health service providing aged care and disability services in Western Australia. Methods A 3-stage prospective optimization study will be conducted. Stage 1 (baseline [T0]) will measure existing clinical data quality, identify root causes of data quality issues across services, and generate optimization solutions. Stage 2 (optimization) will implement and test changes to clinical documentation processes and information systems using incremental Agile sprints. Stage 3 (evaluation) will evaluate changes in primary and secondary outcomes from T0 to 12 months after optimization. The primary outcome is the data quality measured in terms of defects per unit, defects per million opportunities, and Sigma level. The secondary outcomes are care delivery (direct care time), clinical incidents, business outcomes (cost of quality and workforce productivity), and user satisfaction. Case studies will be analyzed to understand the impact of optimization on clinical outcomes and business processes. Results As of June 1, 2022, stage 1 commenced with T0 data quality audits conducted to measure current data quality. T0 data quality audits will be followed by user consultations to identify root causes of data quality issues. Optimization solutions will be developed by May 2023 to inform optimization (stage 2) and evaluation (stage 3). Results are expected to be published in June 2023. Conclusions The study findings will be of interest to individuals and organizations in the health care sector seeking novel solutions to improve the quality of clinical data, support high-quality care delivery, and reduce business costs. International Registered Report Identifier (IRRID) DERR1-10.2196/39967
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 | 0,099 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,010 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».