MétaCan
Menu
Retour à la cohorte
Enregistrement W3159189009 · doi:10.1186/s12911-021-01494-x

Ready for SDM: evaluating a train-the-trainer program to facilitate implementation of SDM training in Norway

2021· article· en· W3159189009 sur OpenAlexaff
Simone Kienlin, Marie-Ève Poitras, Dawn Stacey, Kari Nytrøen, Jürgen Kasper

Notice bibliographique

RevueBMC Medical Informatics and Decision Making · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensOttawa HospitalUniversity of OttawaUniversité de Sherbrooke
Organismes subventionnairesHelse Sør-Øst RHFHelse Nord RHF
Mots-clésOperationalizationHealth careTrainerMedical educationCompetence (human resources)CurriculumObservational studyDescriptive statisticsMedicineHealth informaticsNursingPsychologyComputer sciencePublic health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Healthcare providers need training to implement shared decision making (SDM). In Norway, we developed "Ready for SDM", a comprehensive SDM curriculum tailored to various healthcare providers, settings, and competence levels, including a course targeting interprofessional healthcare teams. The overall aim was to evaluate a train-the-trainer (TTT) program for healthcare providers wanting to offer this course within their hospital trust. METHODS: Our observational descriptive design was informed by Kirkpatrick´s Model of Educational Outcomes. The South-Eastern Regional Health Authority invited healthcare providers from all health trusts in its jurisdiction to attend. The TTT consisted of a one-day basic course with lectures on SDM, exercises and group reflections followed by a two-day advanced course including an SDM observer training. Immediately after each of the two courses, reaction and learning (Kirkpatrick levels 1 and 2) were assessed using a self-administered questionnaire. After the advanced course, observer skills were operationalized as accuracy of the participants' assessment of a consultation compared to an expert assessment. Within three months post-training, we measured number of trainings conducted and number of healthcare providers trained (Kirkpatrick level 3) using an online survey. Qualitative and quantitative descriptive analysis were performed. RESULTS: Twenty-one out of 24 (basic) and 19 out of 22 (advanced) healthcare providers in 9 health trusts consented to participate. The basic course was evaluated as highly acceptable, the advanced course as complex and challenging. Participants identified a need for more training in pedagogical skills and support for planning implementation of SDM-training. Participants achieved high knowledge scores and were positive about being an SDM trainer. Observer skills regarding patient involvement in decision-making were excellent (mean of weighted t = .80). After three months, 67% of TTT participants had conducted more than two trainings each and trained a total of 458 healthcare providers. CONCLUSION: Findings suggest that the TTT is a feasible approach for supporting large-scale training in SDM. Our study informed us about how to improve the advanced course. Further research shall investigate the efficacy of the training in the context of a comprehensive multifaceted strategy for implementing SDM in clinical practice. TRIAL REGISTRATION: Retrospectively registered at ISRCTN (99432465) March 25, 2020.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,593
Tête enseignante GPT0,582
Écart entre enseignants0,011 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Medical Informatics and Decision MakingMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207