Facilitating Implementation of Interprofessional Collaborative Practices into Primary Care: A Trilogy of Driving Forces
Notice bibliographique
Résumé
Implementing interprofessional collaborative practices in primary care is challenging, and research about its facilitating factors remains scarce. The goal of this participatory action research study was to better understand the driving forces during the early stage of the implementation process of a community-driven and patient-focused program in primary care titled "TRANSforming InTerprofessional cardiovascular disease prevention in primary care" (TRANSIT). Eight primary care clinics in Quebec, Canada, agreed to participate by creating and implementing an interprofessional facilitation team (IFT). Sixty-three participants volunteered to be part of an IFT, and 759 patients agreed to participate. We randomized six clinics into a supported facilitation ("supported") group, with an external facilitator (EF) and financial incentives for participants. We assigned two clinics to an unsupported facilitation ("unsupported") group, with no EF or financial incentives. After 3 months, we held one interview for the two EFs. After 6 months, we held eight focus groups with IFT members and another interview with each EF. The analyses revealed three key forces: (1) opportunity for dialogue through the IFT, (2) active role of the EF, and (3) change implementation budgets. Decision-makers designing implementation plans for interprofessional programs should ensure that these driving forces are activated. Further research should examine how these forces affect interprofessional practices and patient 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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».