Identification of Gaps in Quality of Care and Good Practice Interventions in Rheumatoid Arthritis: Insights From a Literature Review and Qualitative Study of Nine Centers in North America
Notice bibliographique
Résumé
OBJECTIVE: Quality of care (QoC) delivery in rheumatoid arthritis (RA) continues to suffer from various challenges (eg, delay in diagnosis and referral) that can lead to poor patient outcomes. This study aimed to identify good practice interventions that address these challenges in RA care in North America. METHODS: The study was conducted in three steps: (1) literature review of existing publications and guidelines (April 2005 to April 2021) on QoC in RA; (2) in-person visits to >50 individual specialists and health care professionals across nine rheumatology centers in the United States and Canada to identify challenges in RA care and any corresponding good practice interventions; and (3) collation and organization of findings of the two previous methods by commonalities to identify key good practice interventions, followed by further review by RA experts to ensure key challenges and gaps in RA care were captured. RESULTS: Several challenges and eight good practice interventions were identified in RA care. The interventions were prioritized based on the perceived positive impact on the challenges in care and ease of implementation. High-priority interventions included the use of technology to improve care, streamlining specialist treatment, and facilitating comorbidity assessment and care. Other interventions included enabling patient access to optimal medication regimens and improving patient self-management strategies. CONCLUSION: Learnings from the study can be implemented in other rheumatology centers throughout North America to improve RA care. Although the study was completed before the COVID-19 pandemic, the findings remain relevant.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».