A multiple-behaviour investigation of goal prioritisation in physicians receiving audit and feedback to address high-risk prescribing in nursing homes
Notice bibliographique
Résumé
BACKGROUND: As part of their professional role, healthcare providers enact multiple competing goal-directed behaviours in time-constrained environments. Better understanding healthcare providers' motivation to engage in the pursuit of particular goals may help inform the development of implementation interventions. We investigated healthcare providers' pursuit of multiple goals as part of a trial evaluating the effectiveness of an audit and feedback intervention in supporting appropriate adjustment of high-risk medication prescribing by physicians working in nursing homes. Our objectives were to determine whether goal priority and constructs from Social Cognitive Theory (self-efficacy, outcome expectations, and descriptive norms) predicted intention to adjust prescribing of multiple high-risk medications and to investigate how physicians in nursing homes prioritise their goals related to high-risk medication prescribing. METHODS: Physicians in Ontario, Canada, who signed up for and accessed the audit and feedback report were invited to complete a questionnaire assessing goal priority, self-efficacy, outcome expectations, descriptive norms, and intention in relation to the three targeted behaviours (adjusting prescribing of antipsychotics, benzodiazepines, and antidepressants) and a control behaviour (adjusting statin prescribing). We conducted multiple linear regression analyses to identify predictors of intention. We also conducted semi-structured qualitative interviews to investigate how physicians in nursing homes prioritise their goals in relation to appropriately adjusting prescribing of the medications included in the report: analysis was informed by the framework analysis method. RESULTS: Thirty-three of 89 (37%) physicians completed the questionnaire. Goal priority was the only significant predictor of intention for each medication type; the greater a priority it was for physicians to appropriately adjust their prescribing, the stronger was their intention to do so. Across five interviews, physicians reported prioritising adjustment of antipsychotic prescribing specifically. This was influenced by negative media coverage of antipsychotic prescribing in nursing homes, the provincial government's mandate to address antipsychotic prescribing, and by the deprescribing initiatives or best practice routines in place in their nursing homes. CONCLUSIONS: Goal priority predicted nursing home physicians' intention to adjust prescribing. Targeting goal priority through implementation interventions therefore has the potential to influence behaviour via increased motivation. Implementation intervention developers should consider the external factors that may drive physicians' prioritization.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».