Lessons from the team care playbook: Recommendations for COVID-19 vaccination dissemination and uptake.
Notice bibliographique
Résumé
For too many of us, the implications of a worldwide pandemic unfolded in graduated stages of understanding that seemed too sluggish for the opponent we faced. For too many of us, even those of us in health care, the unfolding was terrifying; we felt blindsided and unprepared. If coronavirus disease 2019 (COVID-19) were a bully picking a fight, they got the first punch in before we even raised a fist. Now, many rounds in, health care teams will have an opportunity to deploy a new weapon against COVID-19. Vaccines are coming. We do not know when, who will pay for them, or the logistical aspects (e.g., storage and administration). We do not even know how effective they will be. Moreover, we must plan for mass vaccination in a chaotic and politically charged context that bears little resemblance to the ones with which we have experience. Nevertheless, in this fight, vaccines could be our winning blow. We are getting better at working with unknowns and in disrupted environments during COVID-19. We have some time to prepare, and we have some extant knowledge and experience in vaccine distribution and uptake. Health care teams can use these to best their adversary, and we can and should begin now. The aim of this article is to discuss how to mobilize interprofessional teams within systems of care to engage best practices in vaccine dissemination and uptake in the unique COVID-19 context. We begin by discussing challenges to dissemination and uptake and then provide solutions using our experiences in the primary care system. (PsycInfo Database Record (c) 2021 APA, all rights reserved).
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 | 0,002 | 0,004 |
| 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 | 0,004 | 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 ».