Generating actionable evidence from free-text feedback to improve maternity and acute hospital experiences: A computational text analytics & predictive modelling approach
Notice bibliographique
Résumé
Abstract Background Patient experience surveys are a key source of evidence for supporting decision-making and quality improvement in healthcare services. These surveys contain two main types of questions: closed and open-ended, asking about patients’ care experiences. Apart from the knowledge obtained from analysing closed-ended questions, invaluable insights can be gleaned from free-text data. Advanced analytics techniques are increasingly used to harness free-text data, yet existing approaches do not offer the rigour required to support formal decision-making through free-text. Methods This study addresses the challenge of effectively and rigorously analysing patients’ free-text feedback to improve maternity and acute hospital services in Ireland. Aspects of healthcare services (i.e. themes) that could be improved were determined using computational text analytics and predictive modelling. Themes extracted from comments were prioritised based on volume, the intensity of negative affect expressed in the texts, and the estimated influence of the themes on overall patient satisfaction. Results Results demonstrate the viability of producing rigorous evidence for prioritising interventions to improve healthcare services based on free-text feedback. Specifically, consistency in advice and support in breastfeeding were among the most important issues for maternity services. For acute hospital services, meals quality and access, A&E waiting time, ward hygiene and communication at discharge were among the most important issues. Women also wanted more emphasis on prior birth experience and complications in future maternity care surveys. Conclusions Advances in computational text modelling enable the extraction of concrete and actionable insights from the analysis of free-text data. This approach also allows decision-makers to prioritise emergent themes and inform actions that will positively impact overall patient satisfaction.
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 | 0,061 | 0,259 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».