Factors influencing family physician engagement in practice-based quality improvement
Notice bibliographique
Résumé
OBJECTIVE: To explore the experiences of family physicians leading quality improvement (QI) efforts and to better understand facilitators and barriers related to advancing QI in family practice. DESIGN: Qualitative descriptive study. SETTING: The Department of Family and Community Medicine at the University of Toronto in Ontario. The department launched a quality and innovation program in 2011 with the dual goals of teaching QI skills to learners and supporting faculty in leading QI efforts in practice. PARTICIPANTS: Family physician faculty who held QI leadership roles at any of the department's 14 teaching units between 2011 and 2018. METHODS: Fifteen semistructured telephone interviews were conducted over 3 months in 2018. Analysis was informed by a qualitative descriptive approach. Consistency of responses across the interviews was suggestive of thematic saturation. MAIN FINDINGS: Substantial variation was found in the level of engagement with QI in practice settings despite the common training, forms of support, and curriculum the department provided. Four factors influenced the uptake of QI. First, committed leadership across the organization was fundamental to developing an effective QI culture. Second, external drivers such as mandatory QI plans sometimes motivated engagement in QI but sometimes were barriers, particularly when internal priorities conflicted with external demands. Third, at many practices, QI was widely perceived as extra work rather than as a way to enable better patient care. Finally, physicians described lack of time and resources as a challenge, particularly in community practices, and advocated for practice facilitation as a mechanism to support QI efforts. CONCLUSION: Advancing QI in primary care practice will require committed leaders, a clear understanding among physicians of the potential benefits of QI, alignment of external demands with internal drivers for improvement, and dedicated time for QI work along with support such as practice facilitation.
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 | 0,006 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».