Improving departmental Quality Improvement Plans through standardisation, structured peer-to-peer feedback and building improvement capacity and culture
Notice bibliographique
Résumé
INTRODUCTION: Quality Improvement Plans (QIPs) can improve healthcare quality by raising awareness and providing a focus for improvement efforts. The physician-led quality committee at our institution set out to improve the previously heterogenous quality and content of clinical department QIPs and increase alignment between clinical department and hospital quality improvement (QI) priorities. We describe these initiatives and assess their impact on the quality of departmental QIPs. METHODS: The Physician Quality Committee at our academic tertiary care hospital implemented a series of interventions, including a peer-to-peer feedback mechanism, longitudinal education and coaching, standardised QI project templates and efforts to facilitate culture change. The QIPs from 13 clinical departments were reviewed for the years before (2018-2019) and after the interventions (2022-2023) and scored according to a structured rubric, created by consensus among physician quality leads. Data are reported as means and medians (IQR). A Wilcoxon signed-rank test was used to evaluate for statistical significance. A Likert-scale survey was used to assess physician QI leads' perception of the impact of the initiatives. RESULTS: The mean score on the structured rubric was 4.4/12 for the QIPs from 2018 to 2019 and 8.0/12 for the QIPs from 2022 to 2023 (Z=3.06, p=0.0005). The median score (25th, 75th percentile) in 2018-2019 was 4.5 (3.5, 5.13), which increased to 8.5 (7.0, 9.0) in 2022-2023. The survey response for physician QI leads was 10/13 (76.9%). The most positive response was the QI lead's knowledge and understanding of how to structure a QI project (mean score of 4.4/5); the least positive response was related to departmental focus and clarity regarding QI priorities (mean score of 3.9/5). CONCLUSIONS: Multifaceted physician-led interventions resulted in improvements in the quality and content of clinical department QIPs, improved physician knowledge of QI methodology, enhanced focus and clarity around departmental QI priorities, and improved awareness of hospital-wide improvement efforts.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
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 | 0,031 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».