Community-engaged co-design of a quality improvement capacity building program within an integrated health system in Ontario, Canada
Notice bibliographique
Résumé
Purpose An integrated care system identified quality improvement (QI) capacity as a gap in advancing their integrated quality care priorities and improvement efforts. Here we describe the design and implementation of a QI capacity building program that aimed to (1) build QI capacity amongst diverse integrated care system members and (2) apply QI principles to advance integrated quality care priorities. Design/methodology/approach The integrated care system leaders, including community members, partnered with the University of Toronto Centre for Quality Improvement and Patient Safety to co-design and deliver the QI capacity building program focused on improving cancer screening rates. An existing acute care capacity building program was adapted. Content included QI tools, data to identify and monitor QI priorities, equity considerations, and empowering participants as change agents. Findings Participants were satisfied with the content and delivery of the program. Some described using QI tools and strategies in practice following the workshop. Challenges to using the tools included the current pressures facing primary care and the health system, resources, and data availability. Practical implications This QI capacity building program was challenging but feasible. Clarifying the target audience, being attentive to co-design, acknowledging post-pandemic system challenges and proactively addressing variable knowledge and barriers to QI work in practice will inform future iterations of this program. Originality/value While many examples of QI education programs exist, the majority target a single healthcare sector. We describe a novel QI capacity building model that bridges healthcare sectors and includes patient partners and community members as teachers and participants.
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 | 0,018 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,015 |
| 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 ».