Notice bibliographique
Résumé
Healthcare systems worldwide are faced with improving quality of care and decreasing adverse events.1 Providing evidence from clinical research is necessary but not sufficient for the provision of optimal care.2 This finding has created interest in knowledge translation (KT), the scientific study of the methods for closing the knowledge-to-practice gap and the analysis of barriers and facilitators inherent in this process.2 There are many proposed theories and frameworks for achieving KT, which can be confusing.3 One conceptual framework developed by Graham et al builds on the commonalities found in an assessment of planned-action theories.4 This knowledge-to-action cycle (figure) comprises knowledge creation and action components. We describe the application of this knowledge-to-action framework to a common clinical challenge: preventing delirium in older adults hospitalised for hip fracture. Knowledge-to-action cycle Delirium occurs in 25–65% of hospitalised patients treated for acute hip fracture.5-7 These patients are at increased risk of death, longer hospital stay, hospital-acquired complications, persistent cognitive deficits, and discharge to long-term care.8-11 Several factors increase the risk of delirium, including older age, use of physical restraints, malnutrition, use of urinary catheters, and the addition of more than 3 new medications.12 Strategies to prevent delirium have been shown to be effective but are underused in practice. Since multiple factors usually contribute to the development of delirium, multicomponent interventions appear effective in its prevention.13 14 A Cochrane review of strategies to prevent delirium15 identified 1 study of a multicomponent intervention targeted towards older adults admitted with hip fractures.16 However, multicomponent interventions are challenging to implement and sustain in real world clinical settings. One strategy to …
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
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 | 0,032 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,014 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».