IMPLEMENTING A NEW MODEL IN PRIMARY CARE FOR OLDER CANADIANS LIVING WITH FRAILTY
Notice bibliographique
Résumé
Abstract Primary care may be the best place within the health system to coordinate care for older persons, but at present, it is poorly equipped to do so. Effective models for complex patients require appropriate targeting, patient/caregiver engagement, and care coordination. A large national project aims to co-design and implement a model in primary care that includes risk-stratification, patient engagement and care coordination techniques for older adults. This presentation focuses on the process of implementation in primary care. Grounded in the Consolidated Framework for Implementation Research, researchers worked with nine primary care sites in three Canadian provinces. Project implementation was completed in two phases. Pre-implementation: Interviews with providers (n=25) and older adults (n=8) were conducted to understand current practices and plan for implementation. Implementation: Researchers worked with sites to train staff and support implementation. Monitoring of the implementation process included Interviews with providers (n=20) and field notes. Data were analyzed using directed coding, following the framework. A number of learnings emerged: buy-in was required from the entire team, teams provided meaningful information to guide implementation, contributing to a sense of ownership, and it was important that intervention components were tailored to the needs at each site. Ongoing and frequent discussions with the team was necessary. Scheduling meetings and training sessions for providers was challenging due to the length of time away from direct patient care. A new primary care model for older adults living with frailty was implemented. Lessons from this project will be used to guide future implementation and spread.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».