A Rapid Learning Health System to Support Implementation of Early Intervention Services for Psychosis in Quebec, Canada: Study Protocol
Notice bibliographique
Résumé
Abstract Background: Given the strong evidence for their effectiveness, early intervention services for psychosis (EIS) are being widely implemented. However, heterogeneity in the implementation of essential components, remains an ongoing challenge. Rapid learning health systems (RLHS), that embed data collection in clinical settings for real-time learning and continual quality improvement, can address this challenge. We therefore implemented a RLHS in 11 EIS in Quebec, Canada. This project aims to determine the feasibility and acceptability of implementing a RLHS in EIS, and to assess its impact on compliance with standards for essential EIS components. Methods: Following literature recommendations, the implementation of this RLHS involves six iterative phases: external and internal scan, design, implementation, evaluation, adjustment, and dissemination. Multiple stakeholder groups (service users, families, clinicians, researchers, decision makers, provincial EIS association) are involved in all phases. Meaningful indicators of EIS quality (e.g., satisfaction, timeliness of response to referrals) were selected based on literature review, provincial guidelines, and stakeholder consensus on indicators prioritisation. A digital infrastructure was designed and deployed that comprises (a) a user-friendly interface for routinely collecting data from programs (b) a digital terminal and mobile app to collect feedback from service users and families regarding care received, health, and quality of life (c) data analytic, visualization and reporting functionalities to provide participating programs with real-time feedback on their performance over time, and in relation to standards and to other programs, along with tailored recommendations. Community of practice activities are being conducted that leverage insights from data to build capacity among programs to continually progress towards aligning their practice with standards/best practices. Guided by the RE-AIM framework, we are collecting quantitative and qualitative data on the Reach, Effectiveness Adoption, Implementation and Maintenance of our RLHS. These RE-AIM data will be analyzed to evaluate our RLHS’s impacts. Discussion: This project will yield valuable insights about how a RLHS can be implemented by EIS, along with preliminary evidence for its acceptability, feasibility and impacts on program-level outcomes. Its findings will refine our RLHS further and advance approaches that bring data, stakeholder voices and collaborative learning to improve outcomes and service quality in psychosis. Trial registration: NA
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 | 0,028 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,006 |
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 ».