Closing the gap on healthcare quality for equity-deserving groups: a scoping review of equity-focused quality improvement interventions in medicine
Notice bibliographique
Résumé
INTRODUCTION: Quality improvement (QI) efforts are critical to promoting health equity and mitigating disparities in healthcare outcomes. Equity-focused QI (EF-QI) interventions address the unique needs of equity-deserving groups and the root causes of disparities. This scoping review aims to identify themes from EF-QI interventions that improve the health of equity-deserving groups, to serve as a resource for researchers embarking on QI. METHODS: In adherence with Preferred Reporting Items for Systematic Reviews and Meta-analysis guidelines, several healthcare and medical databases were systematically searched from inception to December 2022. Primary studies that report results from EF-QI interventions in healthcare were included. Reviewers conducted screening and data extraction using Covidence. Inductive thematic analysis using NVivo identified key barriers to inform future EF-QI interventions. RESULTS: Of 5,330 titles and abstracts screened, 36 articles were eligible for inclusion. They reported on EF-QI interventions across eight medical disciplines: primary care, obstetrics, psychiatry, paediatrics, oncology, cardiology, neurology and respirology. The most common focus was racialised communities (15/36; 42%). Barriers to EF-QI interventions included those at the provider level (training and supervision, time constraints) and institution level (funding and partnerships, infrastructure). The last theme critical to EF-QI interventions is sustainability. Only six (17%) interventions actively involved patient partners. DISCUSSION: EF-QI interventions can be an effective tool for promoting health equity, but face numerous barriers to success. It is unclear whether the demonstrated barriers are intrinsic to the equity focus of the projects or can be generalised to all QI work. Researchers embarking on EF-QI work should engage patients, in addition to hospital and clinic leadership in the design process to secure funding and institutional support, improving sustainability. To the best of our knowledge, no review has synthesised the results of EF-QI interventions in healthcare. Further studies of EF-QI champions are required to better understand the barriers and how to overcome them.
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 | 0,074 | 0,218 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,024 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».