How do experts determine where to intervene on test ordering? An interview study
Notice bibliographique
Résumé
OBJECTIVES: Lab testing is a high-volume activity that is often overused, leading to wasted resources and inappropriate care. Improving test ordering practices in tertiary care involves deciding where to focus scarce intervention resources, but clear guidance on how to optimize these resources is lacking. We aimed to explore context-sensitive factors and processes that inform individual decisions about laboratory stewardship interventions by speaking to key interest holders in this area. METHODS: We conducted semi-structured interviews with test-ordering intervention development experts and authors of test-ordering guidance documents to explore five broad topics: 1) processes used to prioritize tests for intervention; 2) factors considered when deciding which tests to target; 3) measurement of these factors; 4) interventions selected; 5) suggestions for a framework to support these decisions. Transcripts were double coded using directed-content and thematic analysis. RESULTS: We interviewed 14 intervention development experts. Experts noted they frequently consider test volume, test value, and patient care when deciding on a test to target. Experts indicated that quantifying many relevant factors was challenging. Processes to support these decisions often involved examining local data, obtaining buy-in, and relying on an existing guideline. Suggestions for building a framework emphasized the importance of collaboration, consideration of context and resources, and starting with "easy wins" to gain support and experience. CONCLUSIONS: Our study provides insight into the factors and processes experts consider when deciding which tests to target for intervention and can inform the development of a framework to guide the selection of tests for intervention and guideline development.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».