A systematic process to formulate quality lessons learned about hospital resilience during the COVID-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: The urgency of the COVID-19 pandemic forced hospitals to adjust swiftly to the health crisis. They adopted a variety of solutions and encountered numerous challenges. To enhance hospitals' readiness for future crises, the HoSPiCOVID research project documented the experiences of seven hospitals in five countries (Brazil, Canada, France, Japan, Mali) to extract quality lessons learned (QLLs). These were subsequently refined through workshops involving healthcare professionals. OBJECTIVES: The aim of this study was to examine the process of conducting QLL formulation workshops in the HoSPiCOVID hospitals to identify facilitators and barriers encountered. METHOD: = 13) were conducted with researchers and professionals in the five countries. Interview recordings were imported into NVivo software, transcribed, and thematically analyzed. RESULTS: Although the professionals participated actively in the workshops, group dynamics were sometimes impeded by existing power dynamics among participants. Nonetheless, professionals perceived the workshops as an optimal method for formulating QLLs. Distributing summary sheets of workshop content beforehand and ensuring the alignment of content with participants' needs enhanced the effectiveness of the process. CONCLUSION: Despite obstacles encountered in the workshops, participants appreciated the initiative of documenting QLLs using a structured approach in which the QLLs were refined and professionals were able to compare experiences. The QLLs formulated could improve hospitals' responses to future health crises. The recommendations from this study could also enhance the organization of future workshops aiming to formulate QLLs.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».