Factors affecting the implementation of complex and evolving technologies: multiple case study of intensity-modulated radiation therapy (IMRT) in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Research regarding the decision to adopt and implement technological innovations in radiation oncology is lacking. This is particularly problematic since these technologies are often complex and rapidly evolving, requiring ongoing revisiting of decisions regarding which technologies are the most appropriate to support. Variations in adoption and implementation decisions for new radiation technologies across cancer centres can impact patients' access to appropriate and innovative forms of radiation therapy. This study examines the key steps in the process of adopting and implementing intensity modulated radiation therapy (IMRT) in publicly funded cancer centres and identifies facilitating or impeding factors. METHODS: A multiple case study design, utilizing document analysis and key informant interviews was employed. Four cancer centres in Ontario, Canada were selected and interviews were conducted with radiation oncologists, medical physicists, radiation therapists, and senior administrative leaders. RESULTS: Eighteen key informants were interviewed. Overall, three centres made fair to excellent progress in the implementation of IMRT, while one centre achieved only limited implementation as of 2009. Key factors that influenced the extent of IMRT implementation were categorized as: 1) leadership, 2) training, expertise and standardization, 3) collaboration, 4) resources, and 5) resistance to change. CONCLUSION: A framework for the adoption and implementation of complex and evolving technologies is presented. It identifies the key factors that should be addressed by decision-makers at specific stages of the adoption/implementation process.
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 | 0,000 | 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 ».