Team-based care intervention: views and perspectives from patients and healthcare professionals
Notice bibliographique
Résumé
Abstract Background Blood pressure (BP) control is poor in European countries. Team-based care (TBC) intervention involving different healthcare professionals has the potential to improve BP control. Within a patient-centered approach, we evaluated patients' and healthcare professionals' opinion about a TBC intervention involving nurses, pharmacists, and physicians (MD). Methods As part of the TBC study, a pragmatic randomized controlled study to evaluate the impact of a TBC interprofessional intervention on BP control, we collected opinion of patients and team-based members (nurses, community pharmacists, and MD) at the end of study period using specific questionnaires. A mean TBC-satisfaction score was computed, assessing various aspects of the intervention, and ranged from 0 to 60, where a higher score represents a greater satisfaction. Results All patients (100%), pharmacists (100%), MD (92%) and nurses (80%) were satisfied with TBC intervention. Most patients considered that TBC can help improving BP control (92%), drug intake (71%), and lifestyle habits (84%). Furthermore, patients reported that TBC improved their relationship with nurses (66%), pharmacists (55%), and MD (50%). Patients also reported that their discussion with nurses (95%) and pharmacists (89%) helped improve medication intake. Healthcare professionals considered that TBC improve the quality of care (91%) and an added value for the management of chronic disease (79%). Mean TBC-satisfaction score was higher among MD [42 (SD: 9)] and pharmacists [45 (SD: 6)] compared with nurses [36 (SD: 9)]. Conclusions Overall, patients and healthcare professionals were highly satisfied regarding TBC engaging different healthcare professionals in a primary care setting. Key messages TBC intervention seem to be well appreciated by patients and healthcare professionals. Favourable patients’ and healthcare professionals’ perspectives will help implementing TBC intervention.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».