Evaluation of an innovative tele-education intervention in chronic pain management for primary care clinicians practicing in underserved areas
Notice bibliographique
Résumé
Introduction Inadequate knowledge and training of healthcare providers are obstacles to effective chronic pain management. ECHO (extension for community healthcare outcomes) uses case-based learning and videoconferencing to connect specialists with providers in underserved areas. ECHO aims to increase capacity in managing complex cases in areas with poor access to specialists. Methods A pre-post study was conducted to evaluate the impact of ECHO on healthcare providers’ self-efficacy, knowledge and satisfaction. Type of profession, presenting a case, and number of sessions attended were examined as potential factors that may influence the outcomes Results From June 2014 to March 2017, 296 primary care healthcare providers attended ECHO, 264 were eligible for the study, 170 (64%) completed the pre-ECHO questionnaire and 119 completed post-ECHO questionnaires. Participants were physicians (34%), nurse practitioners (21%), pharmacists (13%) and allied health professionals (32%). Participants attended a mean of 15 ± 9.19 sessions. There was a significant increase in self-efficacy ( p < 0.0001) and knowledge ( p < 0.0001). Self-efficacy improvement was significantly higher among physicians, physician assistants and nurse practitioners than the non-prescribers group ( p = 0.03). On average, 96% of participants were satisfied with ECHO. Satisfaction was higher among those who presented cases and attended more sessions. Discussion This study shows that ECHO improved providers’ self-efficacy and knowledge. We evaluated outcomes from a multidisciplinary group of providers practicing in Ontario. This diversity supports the generalisability of our findings. Therefore, we suggest that this project may be used as a template for creating other educational programs on other medical topics.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».