Facilitating implementation of the Decision-Making Capacity Assessment (DMCA) Model: senior leadership perspectives on the use of the National Implementation Research Network (NIRN) Model and frameworks
Notice bibliographique
Résumé
OBJECTIVE: Dementia and other chronic conditions can compromise a person's ability to make independent personal and financial decisions. In the wake of an ageing population and rising incidence of chronic conditions, the number of persons who may require Decision-Making Capacity Assessments (DMCAs) is likely to increase. Legislation (e.g., Trusteeship, Guardianship, Medical Assistance in Dying) also necessitates that DMCAs adhere to legislative requirements and principles. An intentional, explicit and systematic means of implementing standardized DMCA best-practices is advisable. This single exploratory case-study examined the perspectives of senior leaders and clinical experts regarding the utility of using the National Implementation Research Network (NIRN) Model to facilitate implementation, spread and sustainability of a DMCA Model. Participants learned about the NIRN Model and discussed its application during working and focus groups, all of which were audio-recorded, transcribed, and analyzed using thematic analysis. RESULTS: Participants found that the NIRN Model aligned well with the DMCA Model, and offered utility to support implementation, spread and sustainability of DMCA best-practices. Participants also noted barriers related to its language, inability to capture personal change, resource requirements, and complexity. It was recommended that a NIRN-informed DMCA-specific implementation framework and toolkit be developed and NIRN-champions be available to guide implementation.
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 | 0,031 | 0,027 |
| 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 | 0,005 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».