Influencers on deprescribing practice of primary healthcare providers in Nova Scotia: An examination using behavior change frameworks
Notice bibliographique
Résumé
Background: Deprescribing is a complex process requiring consideration of behavior change theory to improve implementation and uptake. Aim: The aim of this study was to describe the knowledge, attitudes, beliefs, and behaviors that influence deprescribing for primary healthcare providers (family physicians, nurse practitioners (NPs), and pharmacists) within Nova Scotia using the Theoretical Domains Framework version 2 (TDF(v2)) and the Behavior Change Wheel. Methods: Interviews and focus groups were completed with primary care providers (physicians, NPs, and pharmacists) in Nova Scotia, Canada. Coding was completed using the TDF(v2) to identify the key influencers. Subdomain themes were also identified for the main TDF(v2) domains and results were then linked to the Behavior Change Wheel—Capability, Opportunity, and Motivation components. Results: Participants identified key influencers for deprescribing including areas related to Opportunity, within TDF(v2) domain Social Influences, such as patients and other healthcare providers, as well as Physical barriers (TDF(v2) domain Environmental Context and Resources), such as lack of time and reimbursement. Conclusion: Our results suggest that a systematic approach to deprescribing in primary care should be supported by opportunities for patient and healthcare provider collaborations, as well as practice and system level enhancements to support sustainability of deprescribing practices.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».