Exploring Policy Change in the Emergency Department: A Qualitative Approach to Understanding Local Policy Creation and the Barriers to Implementing Change
Notice bibliographique
Résumé
Introduction With thousands of new medical trials released every year, health care policymakers must work diligently to incorporate new evidence into clinical practice. Although there are some broad conceptual frameworks for knowledge translation in the emergency department (ED), there are few user-centered studies that illustrate how local policymakers develop and disseminate new policies. Objectives Our study sought to evaluate the process by which new departmental policies are formed in ED, how new evidence was integrated into this process, and to explore barriers to implementation. Methods Semi-structured interviews were conducted with local administrators from nine major hospitals in Ontario, Canada. Interviews were transcribed and qualitative data was analyzed using constructivist grounded theory. Results Five broad steps in the policy creation process were identified: 1) Problem identification and motivation for change; 2) building a policy team; 3) policy construction; 4) implementation and monitoring of new departmental policies; 5) actively addressing barriers to the ED policymaking process. Common sub-themes in each of these categories were highlighted. Four main themes also emerged regarding barriers experienced in policymaking: Education and knowledge transfer; lack of a change culture; resource limitations; and cumbersome bureaucratic structures. Conclusion Our study identified common facilitators and barriers that policymakers face in their ability to create health policy in the ED. While local context influences the policymaking process, a standardized framework would ensure a more systematic approach for policymakers and allow scientists to better understand how evidence is integrated at the local level.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».