Improving the quality of self-management support in ambulatory cancer care: a mixed-method study of organisational and clinician readiness, barriers and enablers for tailoring of implementation strategies to multisites
Notice bibliographique
Résumé
INTRODUCTION: Improving the quality of self-management support (SMS) for treatment-related toxicities is a priority in cancer care. Successful implementation of SMS programmes depends on tailoring implementation strategies to organisational readiness factors and barriers/enablers, however, a systematic process for this is lacking. In this formative phase of our implementation-effectiveness trial, Self-Management and Activation to Reduce Treatment-Related Toxicities, we evaluated readiness based on constructs in the Consolidated Framework for Implementation Research (CFIR) and Normalisation Process Theory (NPT) and developed a process for mapping implementation strategies to local contexts. METHODS: In this convergent mixed-method study, surveys and interviews were used to assess readiness and barriers/enablers for SMS among stakeholders in 3 disease site groups at 3 regional cancer centres (RCCs) in Ontario, Canada. Median survey responses were classified as a barrier, enabler or neutral based on a priori cut-off values. Barriers/enablers at each centre were mapped to CFIR and then inputted into the CFIR-Expert Recommendations for Implementing Change Strategy Matching Tool V.1.0 (CFIR-ERIC) to identify centre-specific implementation strategies. Qualitative data were separately analysed and themes mapped to CFIR constructs to provide a deeper understanding of barriers/enablers. RESULTS: SMS in most of the RCCs was not systematically delivered, yet most stakeholders (n=78; respondent rate=50%) valued SMS. For centre 1, 7 barriers/12 enablers were identified, 14 barriers/9 enablers for centre 2 and 11 barriers/5 enablers for centre 3. Of the total 46 strategies identified, 30 (65%) were common across centres as core implementation strategies and 5 tailored implementation recommendations were identified for centres 1 and 3, and 4 for centre 2. CONCLUSIONS: The CFIR and CFIR-ERIC were valuable tools for tailoring SMS implementation to readiness and barriers/enablers, whereas NPT helped to clarify the clinical work of implementation. Our approach to tailoring of implementation strategies may have relevance for other studies.
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 | 0,028 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».