Surgeon-level versus hospital-level quality variance in kidney cancer surgery
Notice bibliographique
Résumé
PURPOSE: To determine whether variance in kidney cancer surgery quality indicators (QIs) is most impacted by surgeon-level or hospital-level factors in order to inform quality improvement initiatives. MATERIALS AND METHODS: The ICES and Veterans Affairs (VA) databases were queried for patients undergoing surgery for localized kidney cancer. Kidney cancer surgery QIs were defined within each cohort. Quality of care was benchmarked at a surgeon- vs. hospital-level to identify statistical outliers, using available clinicopathological data to adjust for differences in case-mix. Variance between surgeons and hospitals was calculated for each QI using a random-effects model. RESULTS: The QI with the greatest amount of variance explained by hospital and surgeon-level factors was proportion of cases performed with minimally invasive surgery (MIS). The majority of this variance was due to surgeon-level factors for both the VA and ICES cohorts. The proportion of cases performed using an MIS approach was also the QI with the greatest number of outlier hospitals and surgeons compared to the average performance. The proportion of partial nephrectomies performed for patients at risk of chronic kidney disease was the QI with the greatest amount of variance due to hospital-level factors for the ICES cohort. CONCLUSIONS: The proportion of localized kidney cancer cases performed using an MIS approach is the QI requiring the greatest attention. Quality improvement initiatives should focus on surgeon-level factors to increase the number of MIS cases being performed for patients with localized renal masses.
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 | 0,009 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».