Professional Early-Adopter Experiences of Implementing a Novel Rehabilitation Model of Care across Alberta, Canada: A Focused Ethnography
Notice bibliographique
Résumé
Abstract Background In 2017, a provincial health-system released a Rehabilitation Model of Care (RMoC) to promote patient-centred care, provincial standardization, and data-driven innovation. Eighteen early-adopter community-rehabilitation teams implemented the RMoC using a 1.5-year long Innovation Learning Collaborative (in-person learning sessions; balanced scorecards). More research is required on developing, implementing and evaluating models of care. Understanding RMoC implementation will expand implementation science knowledge, particularly around factors influencing model-of-care outcomes and sustainability in, and between, jurisdictions. We aimed to explore experiences of early-adopter providers and provincial consultants involved in the community-rehabilitation RMoC implementation in Alberta, Canada.Methods Via focused ethnography, we used focus groups (or interviews for feasibility/confidentiality) and aggregate, site-level data analysis of RMoC standardized metrics. Purposive sampling ensured representation across geography, service types and patient populations. Team-specific focus groups were onsite, at participants’ convenience, and led by a researcher-moderator and co-facilitator. A semi-structured question guide promoted discussions on interesting/challenging occurrences; perceptions of RMoC impact; and, suggested definitions of successful implementation. Focus groups and interviews were audio-recorded and transcribed alongside field notes. Data collection and analysis were concurrent to saturation. Transcripts were coded for implementation-related phrases. Similar ideas were collapsed forming themes, with inter-theme relationships identified. Tactics for rigour included negative case analysis, use of thick description, and an audit trail.Results We completed 11 focus groups and seven interviews (03/2018 to 01/2019) (n=45). Participants were 89.6% female, mostly-Canadian trained and represented diverse rehabilitation professions. Teams varied on their focal health service and patient population. The implementation experience involved navigating emotions, operating amongst dynamics, and integrating the RMoC details. Confident, satisfied early-adopter teams demonstrated traits including strong coping strategies; management support; and, being opportunistic and candid about failure. Teams faced common challenges (e.g. emotions of change; delayed data access; and lack of efficient, memorable communication across team and site). Implementation success targeted patient-, team- and system levels.Conclusions We recommend specific training priorities for future teams including evaluation training for novice teams; timelines for step-wise implementation; on-site, in-person time with a facilitator and full-team present; and prolonged facilitated introductions between similar teams for long-term mentorship.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,017 | 0,009 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».