MétaCan
Menu
← Retour à la cohorte
Enregistrement W4213362703 · doi:10.1186/s12913-022-07615-0

Understanding how context and culture in six communities can shape implementation of a complex intervention: a comparative case study

2022· article· en· W4213362703 sur OpenAlexafffundabout
Jessica Gaber, Julie Datta, Rebecca Clark, Larkin Lamarche, Fiona Parascandalo, Stephanie Di Pelino, Pamela Forsyth, Doug Oliver, Dee Mangin, David Price

Notice bibliographique

RevueBMC Health Services Research · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensMcMaster UniversityHealth Sciences CentreMcMaster University Medical Centre
Organismes subventionnairesOntario Ministry of Health and Long-Term Care
Mots-clésHealth informaticsNursing researchHealth administrationMedicineIntervention (counseling)Context (archaeology)Public healthHealth services researchNursingGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Contextual factors can act as barriers or facilitators to scaling-up health care interventions, but there is limited understanding of how context and local culture can lead to differences in implementation of complex interventions with multiple stakeholder groups. This study aimed to explore and describe the nature of and differences between communities implementing Health TAPESTRY, a complex primary care intervention aiming to keep older adults healthier in their homes for longer, as it was scaled beyond its initial effectiveness trial. METHODS: We conducted a comparative case study with six communities in Ontario, Canada implementing Health TAPESTRY. We focused on differences between three key elements: interprofessional primary care teams, volunteer program coordination, and the client experience. Sources of data included semi-structured focus groups and interviews. Data were analyzed through the steps of thematic analysis. We then created matrices in NVivo by splitting the qualitative data by community and comparing across the key elements of the Health TAPESTRY intervention. RESULTS: Overall 135 people participated (39 clients, 8 clinical managers, 59 health providers, 6 volunteer coordinators, and 23 volunteers). The six communities had differences in size and composition of both their primary care practices and communities, and how the volunteer program and Health TAPESTRY were implemented. Distinctions between communities relating to the work of the interprofessional teams included characteristics of the huddle lead, involvement of physicians and the volunteer coordinator, and clarity of providers' role with Health TAPESTRY. Key differences between communities relating to volunteer program coordination included the relationship between the volunteers and primary care practices, volunteer coordinator characteristics, volunteer training, and connections with the community. Differences regarding the client experience between communities included differing approaches used in implementation, such as recruitment methods. CONCLUSIONS: Although all six communities had the same key program elements, implementation differed community-by-community. Key aspects that seemed to lead to differences across categories included the size and spread of communities, size of primary care practices, and linkages between program elements. We suggest future programs engaging stakeholders from the beginning and provide clear roles; target the most appropriate clients; and consider the size of communities and practices in implementation. TRIAL REGISTRATION: ClinicalTrials.gov: NCT03397836 .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,192

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0220,008
Communication savante0,0030,003
Science ouverte0,0040,009
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,900
Tête enseignante GPT0,741
Écart entre enseignants0,159 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations12
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services Research→Même sujetHealth Policy Implementation Science→Travaux en français237 207→