MétaCan
Menu
Retour à la cohorte
Enregistrement W2339025071 · doi:10.1186/s13012-016-0421-7

Sustainability of knowledge translation interventions in healthcare decision-making: a scoping review

2015· review· en· W2339025071 sur OpenAlexafffund
Andrea C. Tricco, Huda Ashoor, Roberta Cardoso, H. Robson MacDonald, Elise Cogo, Monika Kastner, Laure Perrier, Ann McKibbon, Jeremy Grimshaw, Sharon E. Straus

Notice bibliographique

RevueImplementation Science · 2015
Typereview
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensCanada Research ChairsOttawa HospitalUniversity of OttawaSt. Michael's HospitalMcMaster UniversityUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésCINAHLMedicinePsychological interventionKnowledge translationHealth administrationHealth services researchMEDLINEObservational studyHealth careRandomized controlled trialFamily medicinePublic healthHealth informaticsNursing researchNursingSurgeryPathologyKnowledge management

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Knowledge translation (KT, also known as research utilization, and sometimes referring to implementation science) is a dynamic and iterative process that includes the synthesis, dissemination, exchange, and ethically sound application of knowledge to improve health. A KT intervention is one which facilitates the uptake of research. The long-term sustainability of KT interventions is unclear. We aimed to characterize KT interventions to manage chronic diseases that have been used for healthcare outcomes beyond 1 year or beyond the termination of initial grant funding. METHODS: We conducted a scoping review by searching MEDLINE, Embase, Cochrane Central Register of Controlled Trials (CENTRAL), Cumulative Index to Nursing and Allied Health Literature (CINAHL), and Campbell from inception until February 2013. We included experimental, quasi-experimental, and observational studies providing information on the sustainability of KT interventions for managing chronic diseases in adults and focusing on end-users including patients, clinicians, public health officials, health service managers, and policy-makers. Articles were screened and abstracted by two reviewers, independently. The data were charted and results described narratively. RESULTS: We included 62 studies reported in 103 publications (total 260,688 patients) plus 41 companion reports after screening 12,328 titles and abstracts and 464 full-text articles. More than half of the studies were randomized controlled trials (RCTs). The duration of the KT intervention ranged from 61 to 522 weeks. Nine chronic conditions were examined across the studies, such as diabetes (34 %), cardiovascular disease (28 %), and hypertension (16 %). Thirteen KT interventions were reported across the studies. Patient education was the most commonly examined (20 %), followed by self-management (17 %). Most studies (61 %) focused on patient-level outcomes (e.g. disease severity), while 31 % included system-level outcomes (e.g. number of eye examinations), and 8 % used both. The interventions were aimed at the patient (58 %), health system (28 %), and healthcare personnel (14 %) levels. CONCLUSIONS: We found few studies focusing on the sustainability of KT interventions. Most of the included studies focused on patient-level outcomes and patient-level KT interventions. A future systematic review can be conducted of the RCTs to examine the impact of sustainable KT interventions on health outcomes.

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 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)0,210
score de la tête « metaresearch » (Gemma)0,467
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,210
Score d'incertitude au seuil0,974

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2100,467
Méta-épidémiologie (sens strict)0,0030,003
Méta-épidémiologie (sens large)0,0120,013
Bibliométrie0,0360,037
Études des sciences et des technologies0,0040,006
Communication savante0,0150,018
Science ouverte0,0050,009
Intégrité de la recherche0,0060,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,893
Tête enseignante GPT0,823
Écart entre enseignants0,070 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations144
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetHealth Policy Implementation ScienceTravaux en français237 207