Getting a Grip on Arthritis Online: Responses of rural/remote primary care providers to a web-based continuing medical education programme
Notice bibliographique
Résumé
INTRODUCTION: Physicians are often challenged with accessing relevant up-to-date arthritis information to enable the delivery of optimal care. An online continuing medical education programme to disseminate arthritis clinical practice guidelines (CPGs) was developed to address this issue. METHODS: Online learning modules were developed for osteoarthritis (OA) and rheumatoid arthritis (RA) using published CPGs adapted for primary care (best practices), input from subject matter experts and a needs assessment. The programme was piloted in two rural/remote areas of Canada. Knowledge of best practice guidelines was measured before, immediately after completion of the modules and at 3-month follow-up by assigning one point for each appropriate best practice applied to a hypothetical case scenario. Points were then summed into a total best practice score. RESULTS: Participants represented various professions in primary care, including family physicians, physiotherapists, occupational therapists and nurses (n = 89) and demonstrated significant improvements in total best practice scores immediately following completion of the modules (OA pre = 2.8/10, post = 3.8/10, P < 0.01; RA pre = 3.9/12, post = 4.6/12, P < 0.01). The response rate at 3 months was too small for analysis. CONCLUSIONS: With knowledge gained from the online modules, participants were able to apply a greater number of best practices to OA and RA hypothetical case scenarios. The online programme has demonstrated that it can provide some of the information rural/remote primary care providers need to deliver optimal care; however, further research is needed to determine whether these results translate into changes in practice.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».