Strategies for the implementation of an electronic fracture risk assessment tool in long term care: a qualitative study
Notice bibliographique
Résumé
BACKGROUND: Older adults in long-term care (LTC) homes experience high rates of fractures, which are detrimental to their quality of life. The purpose of this study is to identify and make recommendations on strategies to implementing an evidence-based Fracture Risk Clinical Assessment Protocol (CAP) in LTC. METHODS: Following the Behaviour Change Wheel framework, we conducted six focus group interviews with a total of 32 LTC stakeholders (e.g. LTC physicians) to identify barriers and facilitators, suggest implementation strategies, and discuss whether the identified strategies were affordable, practicable, effective, acceptable, safe, and if they promote equity (APEASE). The interviews were transcribed verbatim and analyzed using thematic content analysis. RESULTS: Themes of implementation strategies that met the APEASE criteria were minimizing any increase in workload, training on CAP usage, education for residents and families, and persuasion through stories. Other strategy themes identified were culture change, resident-centred care, physical restructuring, software features, modeling in training, education for staff, social rewards, material rewards, public benchmarking, and regulations. CONCLUSIONS: To implement the Fracture Risk CAP in LTC, we recommend using implementation strategies centred around minimizing any increase in workload, training on CAP usage, providing education for residents and families, and persuading through stories. Through improving implementation of the fracture risk CAP, results from this work will improve identification and management of LTC residents at high fracture risk and could inform the implementation of guidelines for other conditions in LTC homes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».