EVALUATION OF A CANADIAN PRIMARY CARE FALL PREVENTION TRAINING AND RESOURCE PACKAGE
Notice bibliographique
Résumé
Background Few physicians have the training/resources to include evidence-based fall prevention (FP) strategies as part of their standard practice. Aims/Objectives/Purpose To address this, a Primary Care Fall Prevention (PCFP) package was developed including: an instructional video; fact sheets; a fall risk checklist; and patient handouts. Materials were evaluated to determine effectiveness of the resources to increase knowledge and/or bring about change in physician practice. Methods A pre/post survey on fall-related knowledge, use of FP resources/strategies was conducted with family physicians recruited from those with substantial numbers of elderly patients. After applying the package over 4–6 weeks, 11 participated in in-depth phone interviews; 10 provided a follow-up survey. Results/Outcomes Out of a max of 17, the average ‘fall-related knowledge’ pre score=10.2 (SD=2.5) and post-survey=13.2 (SD=1.3) (t (9)=2.7, p<0.03). After reviewing resources, 60% were more likely to screen for fall risk; 30% more likely to assess mobility and/or balance; 50% more likely to give fall risk handouts; and 20% more likely to provide information on medication/fall risk. After reviewing materials on fall-prevention strategies, 30% were more likely to provide education on home safety/physical activity/balance exercises; 50% more likely to refer to PT/OT; 40% more likely to provide Vit D guidelines, 50% more likely to provide calcium intake guidelines; and 20% more likely to make referrals to FP programmes. Interviews revealed insights into barriers and facilitators to PCFP. Significance/Contributions to the Field The PCFP package increased knowledge and showed some improvements in FP practice among physicians.
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 | 0,002 | 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 ».