Applying the RE-AIM Framework to Inform the Development of a Multiple Sclerosis Falls-Prevention Intervention
Notice bibliographique
Résumé
Successfully addressing the problem of falls among people with multiple sclerosis (MS) will require the translation of research findings into practice change. This process is not easy but can be facilitated by using frameworks such as RE-AIM during the process of planning, implementing, and evaluating MS falls-prevention interventions. RE-AIM stands for Reach, Effectiveness, Adoption, Implementation, and Maintenance. Since its initial publication in 1999, the RE-AIM framework has become widely recognized across a range of disciplines as a valuable tool to guide thinking about the development and evaluation of interventions intended for widespread dissemination. For this reason, it was selected by the International MS Falls Prevention Research Network to structure initial discussions with clinicians, people with MS, and representatives of professional and MS societies about the factors we need to consider in the development of an MS falls-prevention intervention for multisite testing that we hope will someday be disseminated widely. Through a combination of small-group work and large-group discussion, participants discussed four of the five RE-AIM elements. A total of 17 recommendations were made to maximize the reach (n = 3), adoption (n = 5), implementation (n = 4), and maintenance (n = 5) of the intervention the Network is developing. These recommendations are likely to be useful for any MS rehabilitation researcher who is developing and testing interventions that he or she hopes will be widely disseminated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,259 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,013 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,008 | 0,014 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».