Developing implementation strategies to adopt Enhanced Recovery After Surgery (ERAS®) guidelines
Notice bibliographique
Résumé
BACKGROUND: Strong implementation strategies are critical to the success of Enhanced Recovery after Surgery (ERAS®) guidelines, though little documentation exists on effective strategies, especially in complex clinical situations and unfamiliar contexts. This study outlines the process taken to adopt a novel neonatal ERAS® guideline. METHODS: The implementation strategy was approached in a multi-pronged, concurrent but asynchronous fashion. Between September 2019 and January 2020, healthcare providers from various disciplines and different specialties as well as parents participated in the strategy. Multidisciplinary teams were created to consider existing literature and local contexts including potential facilitators and/or barriers. Task forces worked collaboratively to develop new care pathways. An audit system was developed to record outcomes and elicit feedback for revision. RESULTS: 32 healthcare providers representing 9 disciplines and 5 specialties as well as 8 parents participated. Care pathways and resources were created. Elements recommended for a successful implementation strategy included identification of champions, multidisciplinary stakeholder involvement, consideration of local contexts and insights, patient/family engagement, education, and creation of an audit system. CONCLUSION: A multidisciplinary and structured process following principles of implementation science was used to develop an effective implementation strategy for initiating ERAS® guidelines.
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 | 0,108 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».