Implementation of Rheumatology Health Care Transition Processes and Adaptations to Systems Under Stress: A <scp>Mixed‐Methods</scp> Study
Notice bibliographique
Résumé
OBJECTIVES: Despite poor health care transition outcomes among young adults with pediatric rheumatic diseases, adoption of transition best practices is low. We sought to understand how structured transition processes were operationalized within pediatric rheumatology practices and what factors were perceived to enable adaptations during a global pandemic. METHODS: We conducted a mixed methods study of team leaders' experiences during an interim analysis of a pilot project to implement transition policy discussions at sites in the Childhood Arthritis and Rheumatology Research Alliance Transition Learning Collaborative. We combined quantitative assessments of organizational readiness for change (9 sites) and semistructured interviews of team leaders (8 sites) using determinants in the Exploration, Preparation, Implementation, Sustainment Framework. RESULTS: Engagement of nursing and institutional improvement efforts facilitated decisions to implement transition policies. Workflows incorporating educational processes by nonphysicians were perceived to be critical for success. When the pandemic disrupted contact with nonphysicians, capacity for automation using electronic medical record (EMR)-based tools was an important facilitator, but few sites could access these tools. Sites without EMR-based tools did not progress despite reporting high organizational readiness to implement change at the clinic level. Lastly, educational processes were often superseded by acute issues, such that youth with greater medical/psychosocial complexity may not receive the intervention. CONCLUSION: We generated several considerations to guide implementation of transition processes within pediatric rheumatology from the perspectives of team leaders. Careful assessment of institutional and nursing support is advisable before conducting complex transition interventions. Ideally, new strategies would ensure interventions reach youth with high complexity.
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 | 0,042 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».