Midiendo la calidad del cuidado de enfermería basado en la evidencia: NQuIRE - Sistema de Indicadores de Calidad en Enfermería para reportar y evaluar
Bibliographic record
Abstract
Introducción: El sistema de indicadores de calidad en enfermería para reportar y evaluar (NQuIRE) es una iniciativa internacional de mejoramiento de la calidad para desarrollar y sostener un sistema de datos de indicadores de calidad de enfermería derivados de las recomendaciones de guías de buenas prácticas basadas en la evidencia de la Asociación de Enfermeras Profesionales de Ontario. Objetivo: El propósito de este artículo es ofrecer un panorama de la base de datos de indicadores dentro del contexto del programa de guías de buenas prácticas de enfermería de la Asociación de Enfermeras Profesionales de Ontario y el programa de centros comprometidos con la Excelencia en Cuidados. Futuras directrices para el mejoramiento técnico, desarrollo e investigación de los indicadores de calidad en la base de datos también serán discutidos. Desarrollo del tema: El Sistema de Indicadores de Calidad en Enfermería para Reportar y Evaluar consta de una base de datos, un diccionario de datos que incluye un conjunto de indicadores estructurales a nivel de la organización, además de un conjunto de indicadores de procesos y resultados para cada guía de mejores prácticas, y procesos de recopilación y reporte de datos. Conclusiones: El sistema de datos recopila, analiza e informa los datos sobre indicadores de calidad presentados por las organizaciones académicas y de servicio de atención médica que participan en el programa de designación como Centro Comprometido con la Excelencia en Cuidados de la Organización de Enfermeras Profesionales de Ontario.[Grinspun D, Lloyd M, Xiao S, Bajnok I. Midiendo la calidad del cuidado de Enfermería basado en la evidencia: NQuIRE – Sistema de Indicadores de Calidad en Enfermería para reportar y evaluar. MedUNAB 2015; 17(3): 170-175].
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.104 | 0.208 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".