Data-driven laboratory stewardship: an implementation science perspective
Notice bibliographique
Résumé
Abstract: When we hear the phrase ‘data-driven laboratory stewardship’, we often think of this as referring to using data on test use (e.g., test volumes or costs) to highlight opportunities for improvement. While these data are undoubtedly essential, there are many other potential data sources that can inform laboratory stewardship initiatives. Such data sources can be identified by drawing on key lessons from the rapidly developing field of implementation science (the scientific study of methods to facilitate the uptake of best practices into routine, everyday healthcare). Here, we introduce this field and outline some of its key lessons about relevant data to support (I) developing an understanding of the factors influencing over- or under-use of tests and enablers of change/barriers impeding change; and (II) selection of improvement strategies that are most suited to disrupting current patterns of test use and capitalizing on enablers of change/breaking down barriers impeding change. We also provide suggestions for how laboratory stewardship teams can put these lessons into practice as part of stewardship initiative development, and tools that can support these activities. The key lessons are couched within an over-arching framework that can be used to guide the development, implementation, and evaluation of laboratory stewardship initiatives as part of continuous improvement activities embedded within a learning health system.
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 | 0,342 | 0,321 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,007 | 0,049 |
| Communication savante | 0,037 | 0,032 |
| Science ouverte | 0,010 | 0,018 |
| Intégrité de la recherche | 0,018 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».