The Sustainment and Sustainability of Quality Improvement Initiatives for the Health Care of Older Adults
Notice bibliographique
Résumé
Quality Improvement (QI) is increasingly viewed as the vehicle of choice by health care organizations seeking to respond to the changing health care needs of an aging population while making efficient use of limited resources. However, evidence suggests that 40% to 60% of QI initiatives fail to achieve lasting improvements. Despite the potential waste this statistic represents, we have a limited understanding of factors which promote a QI intervention’s continued use in practice (sustainment) and the maintenance of its benefits (sustainability). Moreover, existing research has largely focused on large academic institutions in urban centres. As such, recommendations derived from these studies may not be appropriate for less-resourced, rural, or remote settings, where adaptations—planned changes to the intervention—may be needed to ensure its survival. The impact of such adaptations on QI sustainment or sustainability has not been studied. This thesis draws from a scoping review and subsequent artificial neural network analysis of empirical studies of the sustainment and sustainability of QI interventions for the health care of older adults to identify contextual, intervention and implementation factors which predict sustainment and sustainability. This model significantly predicted sustainability, but not sustainment. Omission of organization type, intervention target, or reported adaptations resulted in a significant loss of predictive power. To further investigate this result, I conducted a comparative case study to examine how the dynamic interaction between adaptations and organizational context impacts sustainment and sustainability. By comparing 3-year trajectories for elder care QI interventions implemented through participation in a quality improvement collaborative in a 375-bed academic hospital and a 56-bed remote hospital 2500 km away from its nearest referral centre, I found evidence that ongoing adaptations which are responsive to changes in organizational or environmental context (e.g. patient needs, government and local health authority supports) promote sustainment. In addition, adaptations that promote sustainment and are consistent with the core functions of a QI intervention contribute to the sustainability of QI. To close, I offer a new framework informed by organizational learning theory which will help contextualize adaptations’ impact on the people, tasks and/or tools of an intervention and its long-term sustainment and sustainability.
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 |
|---|---|---|---|
| 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 |
| grok | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
| opus | 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 | 0,024 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».