Explaining variation of implementation outcomes of centralized waiting lists for unattached patients
Notice bibliographique
Résumé
PURPOSE: Centralized waiting lists (CWLs) for patient attachment to a primary care provider have been implemented across Canada, including Quebec. Little is known about the implementation of CWLs and the factors that influence implementation outcomes of such primary care innovations. The purpose of this paper is to explain variations in the outcomes of implementation by analyzing the characteristics of CWLs and contextual factors that influence their implementation. DESIGN/METHODOLOGY/APPROACH: A multiple qualitative case study was conducted. Four contrasting CWLs were purposefully selected: two relatively high-performing and two relatively low-performing cases with regard to process indicators. Data collected between 2015 and 2016 drew on three sources: 26 semi-structured interviews with key stakeholders, 22 documents and field notes. The Consolidated Framework for Implementation Research was used to identify, through a cross-case comparison of ratings, constructs that distinguish high from low-performing cases. FINDINGS: Five constructs distinguished high from low-performing cases: three related to the inner setting: network and communications; leadership engagement; available resources; one from innovation characteristics: adaptability with regard to registration, evaluation of priority and attachment to a family physician; and, one associated with process domain: engaging. Other constructs exerted influence on implementation (e.g. outer setting, individual characteristics), but did not distinguish high and low-performing cases. ORIGINALITY/VALUE: This is the first in-depth analysis of CWL implementation. Results suggest important factors that might be useful in efforts to continuously improve implementation performance of CWLs and similar innovations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».