Learning Health Systems and Improvement Science in Neurology
Notice bibliographique
Résumé
Although the quality movement in healthcare in the United States has been maturing for the last several decades, neurology remains a frontier of work related to learning healthcare systems (LHS) and the science of improvement. This review describes the use of LHS models in neurology and the use of Improvement Science to advance position system changes and improve care. LHSs are broadly understandable, widely supported, and have a developing yet proven track record. However, there are distinct challenges at multiple levels in successful implementation, as well as nuances related to variability in practice patterns and institutions. This review outlines these hurdles and approaches to addressing them. There are examples of effective work currently being conducted in this emerging field, with an emphasis on two subspecialties that have been the primary early adopters of these models and methodology within neurology: stroke and epilepsy. As LHS models take shape in neurology subspecialties, there will be an ongoing need for collaboration and iterative change to support continuous improvement in systems of care and improve outcomes for patients with neurologic disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,026 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».