MétaCan
Menu
Retour à la cohorte
Enregistrement W2128344127 · doi:10.1186/s13104-015-1514-0

The prevention and management of chronic disease in primary care: recommendations from a knowledge translation meeting

2015· article· en· W2128344127 sur OpenAlexafffundabout
Sara Ahmed, Patrick Ware, Regina Visca, Céline Bareil, Maud‐Christine Chouinard, Johanne Desforges, Roderick J. Finlayson, Martin Fortin, Josée Gauthier, Dominique Grimard, Maryse Guay, Catherine Hudon, Lyne Lalonde, Lise Lévesque, Cécile Michaud, Sylvie Provost, T. Sutton, Pierre Tousignant, Stella Travers, Mark A. Ware, Amédé Gogovor

Notice bibliographique

RevueBMC Research Notes · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensCentre Integre de Sante et de Services Sociaux de LavalUniversité de MontréalUniversité de SherbrookeCentre de Santé et de Services Sociaux de ChicoutimiUniversité du Québec à RimouskiUniversité du Québec à ChicoutimiRoche (Canada)HEC MontréalMcGill University Health CentreCentre intégré de santé et de services sociaux de Chaudière-AppalachesMcGill University
Organismes subventionnairesFonds de Recherche du Québec - SantéMinistère de la Santé et des Services sociauxPfizer
Mots-clésStrengths and weaknessesKnowledge translationMedicineThematic analysisLeverage (statistics)Medical educationBest practiceKnowledge managementFamily medicinePsychologyPolitical scienceQualitative researchComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Seven chronic disease prevention and management programs were implemented across Quebec with funding support from a provincial-private industry funding initiative. Given the complexity of implementing integrated primary care chronic disease management programs, a knowledge transfer meeting was held to share experiences across programs and synthesize common challenges and success factors for implementation. METHODS: The knowledge translation meeting was held in February 2014 in Montreal, Canada. Seventy-five participants consisting of 15 clinicians, 14 researchers, 31 knowledge users, and 15 representatives from the funding agencies were broken up into groups of 10 or 11 and conducted a strengths, weaknesses, opportunities, and threats analysis on either the implementation or the evaluation of these chronic disease management programs. Results were reported back to the larger group during a plenary and recorded. Audiotapes were transcribed and summarized using pragmatic thematic analysis. RESULTS AND DISCUSSION: Strengths to leverage for the implementation of the seven programs include: (1) synergy between clinical and research teams; (2) stakeholders working together; (3) motivation of clinicians; and (4) the fact that the programs are evidence-based. Weaknesses to address include: (1) insufficient resources; (2) organizational change within the clinical sites; (3) lack of referrals from primary care physicians; and (4) lack of access to programs. Strengths to leverage for the evaluation of these programs include: (1) engagement of stakeholders and (2) sharing of knowledge between clinical sites. Weaknesses to address include: (1) lack of referrals; (2) difficulties with data collection; and (3) difficulties in identifying indicators and control groups. Opportunities for both themes include: (1) fostering new and existing partnerships and stakeholder relations; (2) seizing funding opportunities; (3) knowledge transfer; (4) supporting the transformation of professional roles; (5) expand the use of health information technology; and (6) conduct cost evaluations. Fifteen recommendations related to mobilisation of primary care physicians, support for the transformation of professional roles, and strategies aimed at facilitating the implementation and evaluation of chronic disease management programs were formulated based on the discussions at this knowledge translation event. CONCLUSION: The results from this knowledge translation day will help inform the sustainability of these seven chronic disease management programs in Quebec and the implementation and evaluation of similar programs elsewhere.

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)0,007
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,529
Score d'incertitude au seuil0,614

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,836
Tête enseignante GPT0,711
Écart entre enseignants0,125 · 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.

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

Citations21
Publié2015
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Research NotesMême sujetHealth Policy Implementation ScienceTravaux en français237 207