MétaCan
Menu
Retour à la cohorte
Enregistrement W3215397065 · doi:10.1186/s12911-021-01673-w

Integrating shared decision-making into primary care: lessons learned from a multi-centre feasibility randomized controlled trial

2021· article· en· W3215397065 sur OpenAlexafffund
Catherine Yu, Farid Medleg, Dorothy Choi, Catherine M. Spagnuolo, Lakmini Pinnaduwage, Sharon E. Straus, Paul Cantarutti, Karen Chu, Paul Frydrych, Amy Hoang‐Kim, Noah Ivers, David M. Kaplan, Fok‐Han Leung, John Maxted, Jeremy Rezmovitz, Joanna E. M. Sale, Sumeet Sodhi, Dawn Stacey, Deanna Telner

Notice bibliographique

RevueBMC Medical Informatics and Decision Making · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversity of OttawaToronto General HospitalOttawa HospitalUniversity Health NetworkHealth Sciences CentreSinai Health SystemSouthlake Regional Health CenterMarkham Stouffville HospitalKraft Heinz (Canada)Women's College HospitalQueen's UniversityCanada Research ChairsBridgepoint Active HealthcarePublic Health OntarioUniversity of TorontoSunnybrook Health Science CentreSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health ResearchWomen's College Hospital
Mots-clésRandomized controlled trialMedicineCluster randomised controlled trialIntervention (counseling)Family medicineHealth careHealth informaticsCluster (spacecraft)NursingPublic healthSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: MyDiabetesPlan is a web-based, interactive patient decision aid that facilitates patient-centred, diabetes-specific, goal-setting and shared decision-making (SDM) with interprofessional health care teams. OBJECTIVE: Assess the feasibility of (1) conducting a cluster randomized controlled trial (RCT) and (2) integrating MyDiabetesPlan into interprofessional primary care clinics. METHODS: We conducted a cluster RCT in 10 interprofessional primary care clinics with patients living with diabetes and at least two other comorbidities; half of the clinics were assigned to MyDiabetesPlan and half were assigned to usual care. To assess recruitment, retention, and resource use, we used RCT conduct logs and financial account summaries. To assess intervention fidelity, we used RCT conduct logs and website usage logs. To identify barriers and facilitators to integration of MyDiabetesPlan into clinical care across the IP team, we used audiotapes of clinical encounters in the intervention groups. RESULTS: One thousand five hundred and ninety-seven potentially eligible patients were identified through searches of electronic medical records, of which 1113 patients met the eligibility criteria upon detailed chart review. A total of 425 patients were randomly selected; of these, 213 were able to participate and were allocated (intervention: n = 102; control: n = 111), for a recruitment rate of 50.1%. One hundred and fifty-one patients completed the study, for a retention rate of 70.9%. A total of 5745 personnel-hours and $6104 CAD were attributed to recruitment and retention activities. A total of 179 appointments occurred (out of 204 expected appointments-two per participant over the 12-month study period; 87.7%). Forty (36%), 25 (23%), and 32 (29%) patients completed MyDiabetesPlan at least twice, once, and zero times, respectively. Mean time for completion of MyDiabetesPlan by the clinician and the patient during initial appointments was 37 min. From the clinical encounter transcripts, we identified diverse strategies used by clinicians and patients to integrate MyDiabetesPlan into the appointment, characterized by rapport building and individualization. Barriers to use included clinician-related, patient-related, and technical factors. CONCLUSION: An interprofessional approach to SDM using a decision aid was feasible. Lower than expected numbers of diabetes-specific appointments and use of MyDiabetesPlan were observed. Addressing facilitators and barriers identified in this study will promote more seamless integration into clinical care. Trial registration Clinicaltrials.gov Identifier: NCT02379078. Date of Registration: February 11, 2015. Protocol version: Version 1; February 26, 2015.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,084
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,466
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,084
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,229
Tête enseignante GPT0,475
Écart entre enseignants0,247 · 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 tête enseignante, pas un consensus.

Devis d'étudeEssai randomisé
Domainenon disponible
GenreMéthodes

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

En bref

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

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