MétaCan
Menu
Retour à la cohorte
Enregistrement W2119423313 · doi:10.1186/s13012-015-0316-z

Understanding effective care management implementation in primary care: a macrocognition perspective analysis

2015· article· en· W2119423313 sur OpenAlexaff
Jodi Summers Holtrop, Georges Potworowski, Laurie Fitzpatrick, Amy Kowalk, Lee A. Green

Notice bibliographique

RevueImplementation Science · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institute of Diabetes and Digestive and Kidney Diseases
Mots-clésHealth administrationHealth informaticsMedicineHealth services researchNursingHealth careKnowledge managementProcess managementPerspective (graphical)Best practicePublic healthComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Care management in primary care can be effective in helping patients with chronic disease improve their health status. Primary care practices, however, are often challenged with its implementation. Incorporating care management involves more than a simple physical process redesign to existing clinical care routines. It involves changes to who is working with patients, and consequently such things as who is making decisions, who is sharing patient information, and how. Studying the range of such changes in "knowledge work" during implementation requires a perspective and tools designed to do so. We used the macrocognition perspective, which is designed to understand how individuals think in dynamic, messy real-world environments such as care management implementation. To do so, we used cognitive task analysis to understand implementation in terms of such thinking as decision making, knowledge, and communication. METHODS: Data collection involved semi-structured interviews and observations at baseline and at approximately 9 months into implementation at five practices in one physician-owned administratively connected group of practices in the state of Michigan, USA. Practices were intervention participants in a larger trial of chronic care model implementation. Data were transcribed, qualitatively coded and analyzed, initially using an editing approach and then a template approach with macrocognition as a guiding framework. RESULTS: Seventy-four interviews and five observations were completed. There were differences in implementation success across the practices, and these differences in implementation success were well explained by macrocognition. Practices that used more macrocognition functions and used them more often were also more successful in care management implementation. CONCLUSIONS: Although care management can introduce many new changes into the delivery of primary care clinical practice, implementing it successfully as a new complex intervention is possible. Macrocognition is a useful perspective for illuminating the elements that facilitate new complex interventions with a view to addressing them during implementation planning.

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.

BrasCatégoriesDevis d'étudeConfiance
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatifhigh
grokaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatifhigh
opusaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatifhigh
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0050,008
Communication savante0,0070,005
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
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 GPT0,695
Écart entre enseignants0,103 · 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

Étiqueté directement par 3 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations24
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetHealth Policy Implementation ScienceTravaux en français237 207