An Organizational Case Study of Mental Models among Health System Leaders during Early-Stage Implementation of a Population Health Approach
Notice bibliographique
Résumé
Purpose: As the COVID-19 pandemic recedes, the importance of population health has come into sharp focus, prompting many health systems to explore leveraging population health data (PHD) for operational planning. This approach requires that healthcare leaders embrace the dual priorities of maintaining excellence in patient care while promoting the overall health of populations. However, many leaders are new to population-based thinking, posing a threat to successful operationalization if mental models are not aligned. Patients and Methods: This qualitative case study explored the alignment of mental models among 13 senior leaders at Trillium Health Partners (THP), one of Canada's largest community hospitals, as they embark on embedding PHD within operational workflows. Results: All leaders recognized the necessity of adopting a population health approach amid resource constraints and growing pressures. When discussing the operationalization of PHD, two distinct mental models emerged among leaders: one focused on patient care and the other on population health. While executive leaders demonstrated a fluidity in their thinking between the two, programmatic leaders favoured one over the other. For example, some viewed the organization's focus on PHD as competing with their patient care responsibilities, while others saw the use of PHD as a solution to the organization's operational pressures. Despite these divergences, leaders unanimously stressed the importance of increasing the organization's risk tolerance and devolving decision-making as a necessary precursor to realizing the transformation to a PHD-driven approach. Conclusion: These divergent mental models highlight a need to clarify the shared vision for the use of PHD along with its impact on leadership roles and accountabilities. These findings illustrate the current state from which THP aims to evolve and underscore the importance of aligning leaders' mental models as a critical step to facilitating successful integration of PHD and advancing a collective vision for healthcare transformation.
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 | 0,008 | 0,000 |
| 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 | 0,001 |
| 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 ».