Assessing Hospital Data Quality: Application of a Data Quality Tool in 15 Countries
Notice bibliographique
Résumé
IntroductionGlobally, differences in coding practices and guidelines lead to variations in hospital-administrative data. Studies on patient safety found that better hospital-data quality is associated with higher rates of patient safety events. This study outlines our process of creating a standardized tool for countries to assess their hospital-administrative data quality. ApproachWe developed 24 indicators across five different dimensions through a Delphi-consensus method. To test applicability of these indicators, we approached representatives from 50 countries with an online survey comprised of qualitative and quantitative questions. Characteristics of each country and indicator scores were noted. A data quality overall score, out of 20, was calculated for each country based on survey responses. The score was classified into 3 data quality categories: high (≥18), moderate (13-17.9), and low (<13). ResultsOf the 50 countries invited, 17 responded. Surveys from two countries were excluded due to insufficient data. Country responses (n=15) were evaluated and scored by dimension. The data quality indicators showed positive face validity and were applicable for most countries providing comparative information for development of the tool with good discrimination. Canada, USA, New Zealand, UK, and Spain were among the countries with an overall high data quality score (≥18). Most countries scored high in 3 out of 5 dimensions of data quality. A few countries scored 0 out of 4 in ‘Relevance’ and ‘Timeliness’ dimensions resulting in a lower overall score. ConclusionWe propose our developed tool be used for comparing hospital-administrative data quality for applying the same standard across countries.
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 | 0,023 | 0,007 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,014 |
| Science ouverte | 0,004 | 0,002 |
| 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 ».