Facilitating Guideline Implementation in Primary Health Care Practices
Notice bibliographique
Résumé
Introduction: Many patients continue to receive suboptimal services, inappropriate, unsafe, and costly care. Underutilization of research by health professionals is a common problem in the primary care setting. Although many theoretical frameworks can be used to help address such evidence-practice gaps, health care professionals may not be aware of the benefits of frameworks or of the most appropriate ones for their context and thus, may be faced with the challenge of selecting and using the most relevant one. Aim: The aim of this article was to describe the process used to adapt a knowledge translation framework to meet the local needs of health professionals working in one large primary care setting. Methods: The authors developed a 5-step approach for guideline implementation. This approach was informed by prior research and the authors’ experiences in supporting multidisciplinary teams of health care professionals during the implementation of evidence-based clinical guidelines into primary care practices. To ensure that the 5-step approach was practical and suitable for the context of guideline implementation by multidisciplinary teams in primary health care, the implementation team adapted the “knowledge-to-action” framework using a multistep process. Results: The implementation approach consisted of the following 5 steps: identification, context analysis, development of implementation plan, evaluation, and sustainability. All 5 steps were described alongside details about a national low back pain project. Discussion: This article describes a collaborative, grassroots process that addressed an identified need in one complex context by adapting a knowledge translation framework to meet the local needs of health professionals working in primary care settings. Existing implementation frameworks may be too complex or abstract for use in busy clinical contexts. The 5-step approach presented in this paper resulted in practical steps that are more readily understood by health care professionals and staff on “the ground.”
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 | 0,146 | 0,220 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».