Implementation and evaluation of a national quality improvement initiative in cancer surgery
Notice bibliographique
Résumé
BACKGROUND: In 2017, the Canadian Partnership Against Cancer, a Canadian federally sponsored organisation, initiated a national multijurisdictional quality improvement (QI) initiative to maximise the use of synoptic data to drive cancer system improvements, known as the Evidence for Surgical Synoptic Quality Improvement Programme. The goal of our study was to evaluate the outcomes, determinants and learning of this nationally led initiative across six jurisdictions in Canada, integrating a mix of cancer surgery disease sites and clinicians. METHODS: A mixed-methods evaluation (surveys, semistructured interviews and focus groups) of this initiative was focused on the ability of each jurisdiction to use synoptic reporting data to successfully implement and sustain QI projects to beyond the completion of the initiative and the lessons learnt in the process. Resources provided to the jurisdictions included operational funding, training in QI methodology, national forums, expert coaches, and ad hoc monitoring and support. The programme emphasised foundational concepts of the QI process including data literacy, audit and feedback reports, communities of practice (CoP) and positive deviance methodology. RESULTS: 101 CoP meetings were held and 337 clinicians received feedback reports. There were 23 projects, and 22 of 23 (95%) showed improvements with 15 of 23 (65%) achieving the proposed targets. Enablers of effective data utilisation/feedback reports for QI included the need for clinicians to trust the data, have comparative data for feedback, and the engagement of both data scientists and clinicians in designing feedback reports. Enablers of sustainability of QI within each jurisdiction included QI training for clinicians, the ability to continue CoP meetings, executive and broad stakeholder engagement, and the ability to use pre-existing organisational infrastructures and processes. Barriers to continue QI work included lack of funding for core team members, lack of automated data collection processes and lack of clinician incentives (financial and other). CONCLUSION: Success and sustainability in data-driven QI in cancer surgery require skills in QI methodology, data literacy and feedback, dedicated supportive personnel and an environment that promotes the process of collective learning and shared accountability. Building these capabilities in jurisdictional teams, tailoring interventions to facility contexts and strong leadership engagement will create the capacity for continued success in QI for cancer surgery.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».