Identification of knowledge translation theories, models or frameworks suitable for health technology reassessment: a survey of international experts
Notice bibliographique
Résumé
OBJECTIVE: Health technology reassessment (HTR) is a field focused on managing a technology throughout its life cycle for optimal use. The process results in one of four possible recommendations: increase use, decrease use, no change or complete withdrawal of the technology. However, implementation of these recommendations has been challenging. This paper explores knowledge translation (KT) theories, models and frameworks (TMFs) and their suitability for implementation of HTR recommendations. DESIGN: Cross-sectional survey. PARTICIPANTS: Purposeful sampling of international KT and HTR experts was administered between January and March 2019. METHODS: Sixteen full-spectrum KT TMFs were rated by the experts as 'yes', 'partially yes' or 'no' on six criteria: familiarity, logical consistency/plausibility, degree of specificity, accessibility, ease of use and HTR suitability. Consensus was determined as a rating of ≥70% responding 'yes'. Descriptive statistics and manifest content analysis were conducted on open-ended comments. RESULTS: Eleven HTR and 11 KT experts from Canada, USA, UK, Australia, Germany, Spain, Italy and Sweden participated. Of the 16 KT TMFs, none received ≥70% rating. When ratings of 'yes' and 'partially yes' were combined, the Consolidated Framework for Implementation Research was considered the most suitable KT TMF by both KT and HTR experts (86%). One additional KT TMF was selected by KT experts: Knowledge to Action framework. HTR experts selected two additional KT TMFs: Co-KT framework and Plan-Do-Study-Act cycle. Experts identified three key characteristics of a KT TMF that may be important to consider: practicality, guidance on implementation and KT TMF adaptability. CONCLUSIONS: Despite not reaching an overall ≥70% rating on any of the KT TMFs, experts identified four KT TMFs suitable for HTR. Users may apply these KT TMFs in the implementation of HTR recommendations. In addition, KT TMF characteristics relevant to the field of HTR need to be explored further.
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 | 0,115 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».