MétaCan
Menu
Retour à la cohorte
Enregistrement W3080474616 · doi:10.1186/s12913-020-05616-5

Developing theory-informed knowledge translation strategies to facilitate the use of patient-reported outcome measures in interdisciplinary low back pain clinical practices in Quebec: mixed methods study

2020· article· en· W3080474616 sur OpenAlexafffundabout
Owis Eilayyan, Regina Visca, Diana Zidarov, Patrick Ware, André Bussières, Sara Ahmed

Notice bibliographique

RevueBMC Health Services Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversité de MontréalUniversité du Québec à Trois-RivièresUniversity Health NetworkCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalMcGill University Health CentreInstitut de Readaptation Gingras Lindsay de MontrealMcGill UniversityCentre for Interdisciplinary Research in RehabilitationCentre de réadaptation Lethbridge-Layton-Mackay
Organismes subventionnairesMcGill University
Mots-clésPromKnowledge translationMedicinePatient-reported outcomePsychological interventionLikert scaleHealth careQualitative researchNursingFocus groupIntervention (counseling)Nursing researchHealth administrationHealth informaticsContext (archaeology)Medical educationPsychologyPublic healthKnowledge management

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is a growing interest among healthcare providers (HCPs) to use Patient Reported Outcome Measures (PROMs) in clinical care. PROMs can help improve patient-care provider communication and may be used to inform the need for interdisciplinary care for Low Back Pain (LBP). However, PROM implementation to support clinical decision-making is complex and requires knowledge translation (KT) interventions that will overcome barriers to using PROMs in interdisciplinary clinical settings. OBJECTIVES: to 1) identify potential barriers and enablers to using PROMs in primary care LBP clinical practice from the perspective of healthcare team members, and 2) develop a theory-based tailored KT intervention to facilitate the use of PROMs in interdisciplinary clinical practice. METHODS: We invited 25 HCPs working in an interdisciplinary team to complete a self-administered survey designed based on the Theoretical Domain Framework (TDF) to identify the barriers and enablers to using PROM scores in LBP clinical practice. The questionnaire consisted of 30 questions rated on a 5-point Likert scale (quantitative) and included open-ended questions (qualitative). Quantitative and qualitative data were analysed to estimate the frequency of barriers and enablers. Findings were then reviewed by a panel of four KT experts who mapped behaviour change techniques to barriers identified that informed the design of a KT intervention. RESULTS: Eighteen HCPs responded to the survey. Factors identified as likely to restrict the use of PROM scores included knowledge, skills, social/professional role and identity, goals, decision processes, beliefs about consequences, environmental context and resources, behavioural regulation, and social influence. A multi-component evidence-based KT intervention was proposed by the panel of experts to address these barriers: a training workshop; educational materials; and use of PROM score reports to HCPs that were all delivered by an opinion leader. CONCLUSION: The routine use of PROMs in clinical practice may optimize the quality of LBP care and improve patients' outcomes. The proposed multi-component KT intervention is expected to be an effective strategy to increase HCPs' ability to integrate PROMs into clinical decision-making and to engage patients in their care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,105
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,598
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,1050,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,932
Tête enseignante GPT0,768
Écart entre enseignants0,164 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetHealth Policy Implementation ScienceTravaux en français237 207