Physiotherapists’ Experiences with and Perspectives on Implementing an Evidence-Based, Chronic Pain Self-Management Programme in Primary Health Care: A Qualitative Study
Notice bibliographique
Résumé
Purpose: Evidence suggests that a physiotherapist-led chronic pain self-management programme in primary health care (PHC) improves function for people living with chronic pain; however, implementing a new approach to care can be difficult. In this study, we sought to understand the experiences of physiotherapists who had implemented the ChrOnic pain self-ManageMent support with pain science EducatioN and exerCisE (COMMENCE) programme; its perceived barriers, facilitators, benefits, and drawbacks; and how the physiotherapists tailored the programme to their own clinical contexts. Method: This interpretive description qualitative study used semi-structured interviews with physiotherapists who had implemented the COMMENCE programme in PHC. Results: Themes from 11 interviews included experiences of personal and professional growth, increasing confidence with experience, and changing the culture of pain management. Barriers and drawbacks to implementation included resource intensiveness, balancing programme demands with other clinical work, and challenges with patient attendance and participation. Facilitators included training, programme design and materials, supportive teams, and previous knowledge. Benefits included offering group and individualized support, evidence-based content, and sparking interest in learning more about pain management. The participants made small changes to tailor the programme content and delivery to their context. Conclusions: This study provides a rich understanding of the experiences, barriers, facilitators, benefits, drawbacks, and tailoring related to the COMMENCE programme in PHC. The results will facilitate future implementation of this intervention in PHC settings.
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 ».