“Entrenched practices and other biases”: unpacking the historical, economic, professional, and social resistance to de-implementation
Notice bibliographique
Résumé
BACKGROUND: In their article on "Evidence-based de-implementation for contradicted, unproven, and aspiring healthcare practices," Prasad and Ioannidis (IS 9:1, 2014) referred to extra-scientific "entrenched practices and other biases" that hinder evidence-based de-implementation. DISCUSSION: Using the case example of the de-implementation of radical mastectomy, we disaggregated "entrenched practices and other biases" and analyzed the historical, economic, professional, and social forces that presented resistance to de-implementation. We found that these extra-scientific factors operated to sustain a commitment to radical mastectomy, even after the evidence slated the procedure for de-implementation, because the factors holding radical mastectomy in place were beyond the control of individual clinicians. We propose to expand de-implementation theory through the inclusion of extra-scientific factors. If the outcome to which we aim is appropriate and timely de-implementation, social scientific analysis will illuminate the context within which the healthcare practitioner practices and, in doing so, facilitate de-implementation by pointing to avenues that lead to systems change. The implications of our analysis lead us to contend that intervening in the broader context in which clinicians work--the social, political, and economic realms--rather than focusing on healthcare professionals' behavior, may indeed be a fruitful approach to effect change.
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 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 | 0,321 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,012 | 0,127 |
| Communication savante | 0,020 | 0,019 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,008 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».