MétaCan
Menu
Retour à la cohorte
Enregistrement W4392431450 · doi:10.17140/plmoj-1-104

Quality Improvement in Clinical Laboratories: A Six Sigma Concept

2016· article· en· W4392431450 sur OpenAlexaff
Jawahar Kalra, Ashish Kopargaonkar

Notice bibliographique

RevuePathology and Laboratory Medicine – Open Journal · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Laboratory Practices and Quality Control
Établissements canadiensUniversity of SaskatchewanRoyal University Hospital
Organismes subventionnairesnon disponible
Mots-clésSix SigmaQuality (philosophy)Quality managementComputer scienceEngineeringOperations managementPhilosophyEpistemology

Résumé

récupéré en direct d'OpenAlex

The quality of healthcare is an emerging concern worldwide. The term “Quality” has been appropriately defined and fairly well understood. However, many problems in delivering quality healthcare persist and these require urgent attention and solutions. An industrial grade quality performance is still a distant dream in the healthcare sector. There are a variety of reasons for this, chiefly the complexity of medicine and disease itself. An error rate as high as 9.36% has been reported in clinical laboratories. These errors mainly occur in the pre-analytical stage of testing. Modern quality management tools like the six sigma concept offer realistic solutions to reach practical levels of perfection. The response of clinical diagnostic laboratories has been very slow in adopting these techniques to improve the quality of a process. It is imperative that healthcare in general and clinical diagnostic laboratories in particular promote and develop a culture of safety with the aid of modern quality management tools.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,014
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,391
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,090
Tête enseignante GPT0,467
Écart entre enseignants0,377 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePathology and Laboratory Medicine – Open JournalMême sujetClinical Laboratory Practices and Quality ControlTravaux en français237 207