Teaching Quality Improvement in Graduate Medical Education
Notice bibliographique
Résumé
PROBLEM: An emerging priority in medical education is the need to facilitate learners' acquisition of quality improvement (QI) competencies. Accreditation bodies in both Canada and the United States have included QI and patient safety in their core competencies. APPROACH: In 2010, the Department of Family Medicine at Queen's University designed a graduate medical education curriculum to engage residents in a clinical QI program that would meet accreditation requirements. Monthly didactic sessions were combined with an experiential, team-based QI project that aligned with existing clinic priorities. The curriculum spans the first year of residency and is divided into three stages: (1) Engaging, (2) Understanding, and (3) Improving and translating. In Stage 1, teams of residents select a clinical QI topic, engage stakeholders, and collect baseline data related to their topic. In Stage 2, they focus on understanding their problem, interpreting their results, and applying QI tools. In Stage 3, they develop change ideas, translate their knowledge, and prepare to hand over their project. OUTCOMES: This QI curriculum aided residents in effectively acquiring QI competencies and allowed them to experience real-world challenges, such as securing project buy-in, negotiating with peers, and developing solutions to problems. Unlike in many QI programs, residents learned how to improve quality rather than about QI; thus, they formed the necessary foundation to carry out QI work in the future. NEXT STEPS: The curriculum will be evaluated using a knowledge assessment and satisfaction tool and postproject resident interviews. Facilitators will focus more on improving faculty develop ment in QI.
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 | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».