Establishing quality indicators for point of care glucose testing: recommendations from the Canadian Society for Clinical Chemists Point of Care Testing and Quality Indicators Special Interest Groups
Notice bibliographique
Résumé
OBJECTIVES: Monitoring quality indicators (QIs) is an important part of laboratory quality assurance (QA). Here, the Canadian Society of Clinical Chemists (CSCC) Point of Care Testing (POCT) and QI Special Interest Groups describe a process for establishing and monitoring QIs for POCT glucose testing. METHODS: Key, error prone steps in the POCT glucose testing process were collaboratively mapped out, followed by risk assessment for each step. Steps with the highest risk and ability to detect a non-conformance were chosen for follow-up. These were positive patient identification (PPID) and repeat of critically high glucose measurements. Participating sites were asked to submit aggregate data for these indicators from their site(s) for a one-month period. The PPID QI was also included as part of a national QI monitoring program for which fifty-seven sites submitted data. RESULTS: The percentage of POCT glucose tests performed without valid PPID ranged from 0-87%. Sites without Admission-Discharge-Transfer (ADT) connectivity to POCT meters were among those with the highest percentage of POCT glucose tests performed without valid PPID. The percentage repeated critically high glucose measurements ranged from 0-50%, indicating low compliance with this recommendation. A high rate of discordance was also noted when critically high POCT glucose measurements were repeated, demonstrating the importance of repeat testing prior to insulin administration. CONCLUSIONS: Here, a process for establishing these QIs is described, with preliminary data for two QIs chosen from this process. The findings demonstrate the importance of QIs for identification and comparative performance monitoring of non-conformances to improve POCT quality.
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 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; 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 ».