18 Joy at work: NSQIP in times of COVID
Notice bibliographique
Résumé
Background Surgical Clinical Reviewers (SCR9s) are the heart of this program. They collect data and use critical thinking and clinical experiences as nurses to analyze, interpret and present data to the teams and stakeholders working to improve surgical outcomes. In 2019, a restructuring of the program in our health authority led to a reduction in staff and resources. The COVID pandemic in 2020 brought on an even greater sense of isolation and disintegration. Our already reduced staff was redeployed, which resulted in further feelings of overwhelm and loss of value amongst the SCRs. The Joy at Work project was conceptualized in Mar 2021 to address these issues. Objectives The objective was to improve SCR’s Joy at Work measures by March of 2022. Methods Several PDSA’s were done, testing and refining numerous change ideas including biweekly meetings, targeted education sessions, a WhatsApp group and planned social outings. Use of staff satisfaction surveys, team member attendance, and meeting participation metrics to measure. Results Results demonstrated a reduction in sick calls, increased meeting attendance, and greater member participation (figures 1 and 2). We turned the QI lens back onto ourselves, to explore ways to improve our experience of work during this very challenging time. Conclusions Next steps to take will be to expand this project to our clerks and our Surgeon Champions.
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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,020 | 0,008 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,003 | 0,026 |
| Intégrité de la recherche | 0,002 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,005 |
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 ».