MétaCan
Menu
Retour à la cohorte
Enregistrement W2031072323 · doi:10.3747/co.v18i2.831

Improving Cancer Control in Canada One Case at a Time: The “knowledge Translation in Cancer” Casebook

2011· article· en· W2031072323 sur OpenAlexafffundvenueabout
Melissa Brouwers, Julie Makarski, Kimberly Garcia, S. Bouseh, T. Hafid

Notice bibliographique

RevueCurrent Oncology · 2011
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensMcMaster University
Organismes subventionnairesGovernment of OntarioOntario Institute for Cancer Research
Mots-clésCasebookScope (computer science)MedicineKnowledge translationKnowledge managementControl (management)CancerMedical educationComputer scienceProcess managementBusinessPolitical scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

PURPOSE: In-the-field projects aiming to improve quality in cancer control provide a valuable complement to health services and knowledge translation (kt) research studies. The present paper describes the methods used to develop the Knowledge Translation for Cancer Control in Canada: A Casebook and its results. METHODS: Nominations for in-the-field projects were accepted from individuals and organizations across Canada. The nominations had to demonstrate that a specific cancer control problem was identified; that a deliberate and organized effort was developed and implemented to address the identified problem; and that an evaluation-formal or informal-was used to assess the effort. A selection of nominated cases were chosen for more comprehensive analysis. RESULTS: Thirty nominations were received. Most tackled problems related to treatment or diagnosis. Challenges related to breast, gastrointestinal, and genitourinary cancer were most common among the disease-specific projects, and most projects were regional in scope, with strategies targeting organizational solutions. Of the 30 nominations, 19 were chosen for further analysis. Of those 19, 5 were influenced by a kt model or theory, and 16 reported formal evaluation strategies. Surveys were the most common evaluation method, and process outcomes and clinical surrogate outcomes were the most frequently cited. Financial and administrative challenges were most often cited as key barriers. The key lessons learned concerned the need for a collaborative high-functioning team, project management, and support. CONCLUSIONS: The casebook provides tangible examples of in-the-field efforts to improve cancer control and provides practical direction for other individuals and institutions facing similar challenges. We discuss the interface between field projects and research projects in the kt arena and how mutual learning can help to optimize the value of each approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,870
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,593
Tête enseignante GPT0,545
Écart entre enseignants0,048 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2011
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetClinical practice guidelines implementationTravaux en français237 207