Trauma center volume and quality improvement programs
Notice bibliographique
Résumé
BACKGROUND: Growing evidence suggests that for many treatments, a relationship exists between provider volume and patient outcomes. This relationship is less clear in injury management. We sought to evaluate whether a relationship exists between trauma center volume and the nature of quality improvement (QI) programs. METHODS: This is a survey of 154 verified adult trauma centers in the United States, Canada, Australia, and New Zealand (76% response rate) regarding their QI programs. Centers were classified according to American College of Surgeons annual volume requirements for a Level I center (low volume vs. high volume) and QI programs compared. RESULTS: All participating trauma centers reported using a trauma registry and measuring quality of care. Low-volume centers were more likely than high-volume centers to use quality indicators for evaluating triage and patient flow (18% vs. 13%, p < 0.001), effectiveness of care (33% vs. 30%, p = 0.016), and efficiency of care (29% vs. 23%, p < 0.001). High-volume centers were more likely to use quality indicators for evaluating medical errors and adverse events (30% vs. 36%, p < 0.001) and the use of guidelines/protocols (2% vs. 3%, p = 0.001). Report cards (41% vs. 59%, p = 0.025) and internal benchmarking (79% vs. 91%, p = 0.040) were less frequently reported to be used by low-volume than high-volume centers. CONCLUSIONS: Both low- and high-volume centers reported being engaged in QI. Small differences in the types of quality indicators used by centers were observed according to volume, with high-volume centers more likely than low-volume centers to use report cards and benchmarking as QI tools.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».