Using the Theoretical Domains Framework to Identify Barriers and Facilitators to Elder‐Friendly Care Implementation Within a Multi‐Site Academic Health Centre
Notice bibliographique
Résumé
BACKGROUND: Societal demographic shifts are occurring globally. Within Quebec, Canada, the percentage of adults over 65 (older adults) is predicted to increase from 19.3% to >25.9% by the year 2036. Older adults (OAs) experience hospitalizations more frequently than persons aged 15-64 years old, and hospitalizations for OAs can be detrimental due to naturally occurring physiological changes. To address the needs of this population, the Quebec government mandated that all acute care hospitals implement OA-friendly care standards called AAPA ("l'Approche Adaptée à la Personne Âgée"). AIMS: To describe an approach for identifying barriers and facilitators (BFs) to AAPA implementation at the McGill University Health Centre, an academic healthcare centre in Montreal that provides tertiary and quaternary care. METHODS: Our approach included an organizational quality improvement (QI) model based on the Institute for Healthcare Improvement QI approach and the use of the Theoretical Domains Framework (TDF) to guide the assessment of BFs to AAPA implementation. To identify the BFs of AAPA implementation, themes were generated from the raw data. RESULTS: In total, 32 barriers and 88 facilitators were identified. Each BF was linked to one or more corresponding domain from the TDF. Seven of the most frequently occurring domains were: (1) knowledge, (2) beliefs about consequences, (3) social/professional role and identity, (4) social influences, (5) environmental context and resources, (6) intentions, and (7) goals. LINKING EVIDENCE TO ACTION: A theory-informed approach, such as the TDF, can be used to facilitate the implementation of evidence-based 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 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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».