MétaCan
Menu
Retour à la cohorte
Enregistrement W4400074476 · doi:10.1200/go.23.00455

Barriers and Challenges to Implementing a Quality Improvement Program: Political and Administrative Challenges

2024· article· en· W4400074476 sur OpenAlexaff
Chantelle Carbonell, Abisola A. Adegbulugbe, Winson Y. Cheung, Paul Ruff

Notice bibliographique

RevueJCO Global Oncology · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésOutreachIncentivePromotion (chess)Data collectionPublic relationsPoliticsQuality (philosophy)BusinessHealth careMedicinePolitical scienceEconomicsSociology

Résumé

récupéré en direct d'OpenAlex

Quality improvement (QI) programs have rapidly grown in health care over recent years. Despite increasing evidence of successful QI initiatives resulting in improved outcomes, the adoption and implementation of QI programs remain a challenge worldwide. This paper briefly describes political and administrative barriers that impede the implementation of QI programs, including political and ideological factors, socioeconomic and educational barriers, and barriers related to data collection, privacy, and security. Key political and administrative barriers identified include resource limitations due to inadequate public funding, stringent laws, and change resistance. Potential solutions include support and commitment from regional and national authorities, consultation of all involved parties during QI program development, and financial incentives. The barrier of limited resources is starker among low- and middle-income countries (LMICs) compared with high-income countries (HICs) due to the absence of adequate infrastructure, personnel equipped with QI-oriented skills, and analytical technology. Solutions that have facilitated QI programs in some LMICs include outreach and collaboration with other health centers and established QI programs in HICs. The lack of QI-specific training and education in medical curricula challenges QI implementation but can be mitigated through the provision of QI promotion webinars, QI-specific project opportunities, and formalized QI training modules. Finally, barriers related to data collection, privacy, and security include laws hindering the availability of quality data, inefficient data collection and processes, and outdated clinical information systems. Access to high-quality data, organized record-keeping, and alignment of data collection processes will help alleviate these barriers to QI program implementation. The multidimensional nature of these barriers means that proposed solutions will require coordination from multiple stakeholders, government support, and leaders across multiple fields.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,899
Score d'incertitude au seuil0,771

Scores Codex et Gemma par catégorie

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

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 Opus0,245
Tête enseignante GPT0,579
Écart entre enseignants0,334 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations18
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJCO Global OncologyMême sujetPrimary Care and Health OutcomesTravaux en français237 207