The Development and Implementation of a Quality Improvement Review Committee (QIRC): An Ethical and Pragmatic Imperative
Notice bibliographique
Résumé
Background: In complex academic healthcare systems, quality improvement (QI) projects designed to improve care and enhance learning proliferate, yet there is considerable variation with respect to how, or even whether, these projects receive ethical oversight. As a result of a high volume of projects that were submitted to one of our research ethics board (REB) panels, but deemed not-research and therefore not eligible for review, questions at our organization began to surface with respect to how the ethical dimensions of QI projects might be assessed, and which institutional approvals might be required to ensure compliance with emerging normative standards. Methods: A mixed-methods environmental scan led to a retrospective quantitative analysis of our organization’s QI projects coupled with in-depth qualitative consultations with staff, physicians, and learners across our health network. REB exemptions were analyzed via run charts to assess baseline QI project volumes and thematic analyses were conducted on field notes from 133 stakeholder consultations. Results: During a 34-month period, 117 REB exemption letters were issued for QI projects. Consultations identified the need for: a clearly defined ethical review process for QI projects, appropriate governance structures, and opportunities to identify and mitigate risk. Respondents also spoke to the ethical imperative to conduct QI initiatives. This paper discusses how these themes contributed to the development and implementation of our Quality Improvement Review Committee (QIRC). Conclusion: Since 2020, over 840 projects have been reviewed by our QIRC, with a view toward mitigating risks for patients, staff, and QI project teams across UHN.
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 | 0,005 | 0,001 |
| 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 | 0,000 | 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 ».