Quality indicators for rural surgical and obstetrical care: A modified Delphi consensus study
Notice bibliographique
Résumé
OBJECTIVE: To identify contextually relevant indicators to measure the quality of surgical and obstetrical care in low-volume rural hospitals using a consensus-based methodology. METHODS: A modified Delphi process was implemented in which participants were asked to rate the priority of proposed evaluation metrics over two rounds. Two Delphi surveys were electronically administered in 2019, approximately one month apart. Fifty-one health care professionals from across Canada, including rural proceduralists and quality improvement experts, were invited to participate. All quality measures in the first round were proposed by the study team. The second round included measures that did not reach consensus in the first round and measures suggested by respondents during the first round. RESULTS: Thirty individuals participated in Round 1 (59% response rate). Of the 30 respondents from Round 1, 23 participated in Round 2 (77% response rate). 115 of 177 proposed measures (65%) reached positive consensus in Round 1 or 2. Expert participants agreed that these measures should be prioritized/included when evaluating surgical and/or obstetrical quality in rural hospitals. No measure reached negative consensus in either round. Open-text comments offered practical guidance on how to interpret and use surgical and obstetrical quality data within a rural context. Many respondents believed that rare adverse outcomes have low relevance at rural hospitals where volumes are low, procedures are almost all lower complexity day cases (Cesarean section being the major exception), and patients are typically healthy. CONCLUSION: The modified Delphi process resulted in the identification of surgical and obstetrical quality indicators that are contextually embedded in the realities of rural practice. The methodology allowed for the consideration of factors often overlooked by normative urban-based approaches, including team-based care characteristic of rural hospitals and limited access to specialist care and imaging services.
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 | 0,184 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».