MétaCan
Menu
Retour à la cohorte
Enregistrement W2897214127 · doi:10.1186/s13012-018-0822-x

Shedding light on conditions for the successful passive dissemination of recommendations in primary care: a mixed methods study

2018· article· en· W2897214127 sur OpenAlexafffundabout
Isabelle Vedel, Mélanie Le Berre, Nadia Sourial, Geneviève Arsenault‐Lapierre, Howard Bergman, Liette Lapointe

Notice bibliographique

RevueImplementation Science · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensMcGill UniversityJewish General Hospital
Organismes subventionnairesCanadian Institutes of Health ResearchMinistère de la SantéMinistère de la Santé et des Services sociaux
Mots-clésMedicineKnowledge translationHealth services researchHealth administrationFamily medicineInformation DisseminationHealth informaticsFocus groupQuality (philosophy)Health careDisseminationQualitative researchDescriptive statisticsPublic healthMedical educationNursingKnowledge management

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Passive dissemination of information in healthcare refers to the publication or mailing of newly established guidelines or recommendations. It is one of the least costly knowledge translation activities. This approach is generally considered to be ineffective or to result in only small changes in practice. Recent research, however, suggests that passive dissemination could, under certain conditions, result in modifications of practice, similar to more active dissemination approaches. The objective of our study was to uncover the conditions associated with the change in primary care practice, namely Family Medicine Groups (FMGs) in Quebec (Canada), following the passive dissemination of recommendations for the diagnosis and management of Alzheimer's disease and related dementia (AD). METHODS: We used a three-step, innovative, convergent mixed methods design based on a multiple case study in eight FMGs. Two studies were conducted in parallel: (1) a before and after retrospective chart review and a cluster analysis of FMGs performed on two clinical performance indicators-the rate of AD diagnosis and the quality of follow-up care; (2) a qualitative descriptive study using interviews and focus groups with FMG clinicians and healthcare managers. The results were integrated using joint displays. RESULTS: After the passive dissemination of the recommendations, some FMGs started to implement the recommendations while other FMGs did not change their practice with respect to the AD diagnosis rate and quality of follow-up care. Three interrelated conditions were identified for the successful passive dissemination of clinical recommendations: (1) FMG clinicians with a moderate to high baseline expertise and confidence, which was linked to their existing collaboration with hospital-based specialists in dementia and their motivation; (2) the presence of a self-identified champion (individual champion or collective championship) in the FMGs taking the lead, motivating the clinical staff or organizing training; (3) the availability of sufficient clinical staff enabled these two conditions to have an impact on the implementation of recommendations through passive dissemination. CONCLUSIONS: Passive dissemination of clinical recommendations, a low-cost knowledge translation approach, may lead to practice change under some specific conditions. More active dissemination efforts may only be needed in sites where these conditions are absent.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,118
score de la tête « metaresearch » (Gemma)0,141
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,118
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1180,141
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0050,004
Communication savante0,0060,004
Science ouverte0,0020,004
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,379
Tête enseignante GPT0,730
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetHealth Policy Implementation ScienceTravaux en français237 207