Lessons learned implementing and managing the DIVERT-CARE trial: practice recommendations for a community-based chronic disease self-management model
Notice bibliographique
Résumé
BACKGROUND: Chronic disease management models of care provide an opportunity to assist home care clients to manage their disease burden. However, pragmatic trial management practices and lessons learned from such models are poorly illustrated in the literature. METHODS: We describe the processes of implementing a community-based cardiorespiratory self-management model, known as DIVERT-CARE, across the home care programs of three health regions in Canada. The DIVERT-CARE model is a multi-component complex intervention that identifies home care clients at the highest risk of deterioration and provides them with resources and capacity to manage their conditions. We conducted a retrospective analysis of baseline participant characteristics, needs assessments, reviewed findings from site visits and a national workshop with study partners, and examined other study documentation. RESULTS: Three home care regions in Canada participated in the study. A robust and data-driven review of each site was necessary to understand the local context, home care caseloads, structure of local systems, and intensity of resources, which influenced study processes. The creation of an intervention framework highlighted the need to adapt the intervention in a way that was sensitive to the local context while maintaining intervention outcomes. CONCLUSION: Our detailed review showcases the relevant activities and on-the-ground steps needed to manage and conduct a multi-site pragmatic trial in home care. This example can help other researchers in implementing multi-disciplinary and multi-component care models for practice-based research.
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 | 0,002 | 0,001 |
| 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 | 0,005 | 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) | 0,000 | 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 ».