A blended knowledge translation initiative to improve colorectal cancer staging [ISRCTN56824239]
Notice bibliographique
Résumé
BACKGROUND: A significant gap has been documented between best practice and the actual practice of surgery. Our group identified that colorectal cancer staging in Ontario was suboptimal and subsequently developed a knowledge translation strategy using the principles of social marketing and the influence of expert and local opinion leaders for colorectal cancer. METHODS/DESIGN: Opinion leaders were identified using the Hiss methodology. Hospitals in Ontario were cluster-randomized to one of two intervention arms. Both groups were exposed to a formal continuing medical education session given by the expert opinion leader for colorectal cancer. In the treatment group the local Opinion Leader for colorectal cancer was detailed by the expert opinion leader for colorectal cancer and received a toolkit. Forty-two centres agreed to have the expert opinion leader for colorectal cancer come and give a formal continuing medical education session that lasted between 50 minutes and 4 hours. No centres refused the intervention. These sessions were generally well attended by most surgeons, pathologists and other health care professionals at each centre. In addition all but one of the local opinion leaders for colorectal cancer met with the expert opinion leader for colorectal cancer for the academic detailing session that lasted between 15 and 30 minutes. DISCUSSION: We have enacted a unique study that has attempted to induce practice change among surgeons and pathologists using an adapted social marketing model that utilized the influence of both expert and local opinion leaders for colorectal cancer in a large geographic area with diverse practice settings.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».