A qualitative study examining healthcare managers and providers’ perspectives on participating in primary care implementation research
Notice bibliographique
Résumé
BACKGROUND: Primary care reforms should be supported by high-quality evidence across the entire life cycle of research. Front-line healthcare providers play an increasing role in implementation research. We recently evaluated two interventions for people with type 2 diabetes (T2D) in partnership with four Primary Care Networks (PCNs) in Alberta, Canada. Here, we report healthcare professionals perspectives on participating in primary care implementation research. METHODS: Guided by the RE-AIM framework, we collected qualitative data before, during, and after both interventions. We conducted 34 in-person or telephone interviews with 17 individual PCN professionals. We used content analysis to identify emerging codes and concepts. RESULTS: Two major themes emerged from the data. First, healthcare managers were eager to conduct implementation research in a primary care setting. Second, regardless of willingness to conduct research, there were challenges to implementing experimental study designs for both interventions. PCN professionals presumed the interventions were better than usual care, expressed role conflict, and reported administrative burdens related to research participation. Perceptions of patient vulnerability and an obligation to intervene exacerbated these issues. CONCLUSIONS: Healthcare professionals with limited practical research experience might not foresee the challenges in implementing experimental study designs in primary care settings to generate high-quality evidence. These issues are intensified when healthcare professionals perceive target patient populations as vulnerable and in need of intervention based on the presenting illness. Possible solutions include further research training, involving healthcare professionals in study design development, and using non-clinical staff to conduct research activities, particularly among acutely unwell patient populations.
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 | 0,054 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,012 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».