An implementation science primer for psycho-oncology: translating robust evidence into practice
Notice bibliographique
Résumé
Abstract Background: It is broadly acknowledged that the next global challenge for psycho-oncology is the implementation of robust evidence-based treatments into routine clinical practice. There is little guidance or texts specific to psycho-oncology to guide researchers and clinicians about implementation science and how to optimally accelerate the translation of evidence into routine practice. This article aims to provide a primer in implementation science for psycho-oncology researchers and clinicians. Methods: We introduce core concepts and principles of implementation science. These include definitions of terms, understanding the quality gap and the need for solid evidence-based interventions. Results: The conceptual models, frameworks, and theories that are used in implementation research are outlined, along with evaluative study designs, implementation strategies, and outcomes. We provide a brief overview of the importance of engaging teams with diverse expertise in research and engaging key stakeholders throughout implementation planning, conduct, and evaluation. The article identifies opportunities to accelerate the implementation of evidence-based psychosocial interventions. Opportunities for greater collaboration across disciplines are highlighted. Examples from psycho-oncology and the broader oncology literature are included to help operationalize concepts. Conclusion: This article describes the fundamental concepts and principles of implementation science for a psycho-oncology audience, to increase the number and quality of implementation studies across the discipline.
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 | 0,106 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,007 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».