Experiencia en la generación de estrategias de monitorización y evaluación en la implantación de Guías de Práctica Clínica en España
Bibliographic record
Abstract
Introducción. La monitorización de la utilización del conocimiento y la evaluación de resultados permiten conocer la aplicación de la evidencia, cambios en los conocimientos y actitudes, el impacto en resultados de salud y la integración y el mantenimiento de las prácticas adoptadas. Existen debilidades relacionadas con la falta de sistematización, limitaciones de los registros y calidad del proceso. El objetivo de este artículo es describir la experiencia en la generación de estrategias de monitorización y evaluación de resultados de implantación de Guías de Buenas Prácticas en España. División de temas tratados. En primer lugar, se revisan los procesos de medición de resultados en la implantación de Guías, en el marco del Programa Best Practice Spotlight Organizations®, cuya herramienta para liderar el cambio incluye la monitorización y evaluación como una de las seis fases del ciclo de acción. En segundo lugar, se analizan las estrategias de monitorización y evaluación propuestas en la literatura, destacando la Asociación Profesional de Enfermeras de Ontario. Finalmente, se analizan las estrategias de monitorización y evaluación generadas por dos instituciones españolas participantes en el programa, centradas en adecuación de registros, explotación y análisis de indicadores, desarrollo de herramientas, procedimientos de evaluación y mecanismos de difusión y retroalimentación. Conclusiones. La definición de estrategias de monitorización y evaluación planificada de forma temprana contribuye a la viabilidad de la evaluación de la implantación y su sostenibilidad. Es necesario adaptarlas al contexto, con estrategias transversales que alcancen a toda la institución, facilitadas por la institución.
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 | 0.041 | 0.065 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".