Lean in Healthcare: What is Required to Support a Successful Hospital Lean Improvement Programme?
Notice bibliographique
Résumé
Abstract \n \nThe NHS has committed to reduce variation in practice, increase productivity and expand integration of services in healthcare, (NHS England, 2019). To achieve these outcomes adequate improvement capacity and capability is required. A systematic lean approach to improvement appears to be delivering sustained success in healthcare organisations in Canada and the United States (Toussaint & Berry, 2013; Kaplan et al, 2014) and now in the UK (KPMG, 2018; BBC News, 2019) and the NHS is therefore investing in this type of programme, (Health Service Journal (HSJ), 2015). \nThis study seeks to understand what constitutes a systemic approach to lean improvement, how this is integrated into the wider work of healthcare and what the barriers and enablers are in an acute hospital setting. A case study methodology was used with semi-structured interviews and the main findings were \n•\tSystematic features that impacted on improvement in everyday work included knowledge and implementation of the improvement vision, lean leadership and in particular empowerment of teams to own and sustain change. \n•\tBarriers and enablers were identified, with varying views on the presence of resistance as a barrier or whether this was a feature of conflicting priorities and time commitment rather than a lack of motivation. \n•\tOther barriers included maintaining momentum for change, and hospital internal support functions that did not always support improvement. The participants identified the central QI team as being essential to momentum and support but believed this should diminish as local improvement capability and capacity increased. \nThis study has generated learning around the nature of systemic lean improvements, including the importance of understanding reasons for resistance and impact of leadership, training and engagement. This contributes to the existing literature on lean improvement and the learning can be applied to develop the improvement programme in the case study hospital and similar organisations.
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 | 0,052 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,025 | 0,017 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».