Applying implementation science frameworks to identify factors that influence the intention of healthcare providers to offer PrEP care and advocate for PrEP in HIV clinics in Colombia: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Few studies have used implementation science frameworks to identify determinants of PrEP prescription by healthcare providers. In this work, we developed and psychometrically examined a questionnaire using the theoretical domains framework (TDF) and the consolidated framework for implementation research (CFIR). We used this questionnaire to investigate what factors influence the intention of healthcare providers to offer PrEP care and advocate for PrEP. METHODS: We conducted a cross-sectional study in 16 HIV healthcare organizations in Colombia. A 98-item questionnaire was administered online to 129 healthcare professionals. One hundred had complete data for this analysis. We used exploratory factor analysis to assess the psychometric properties of both frameworks, and multinomial regression analysis to evaluate the associations of the frameworks' domains with two outcomes: (1) intention to offer PrEP care and (2) intention to advocate for PrEP impmentation. RESULTS: We found support for nine indices with good internal consistency, reflecting PrEP characteristics, attitudes towards population needs, concerns about the use of PrEP, concerns about the role of the healthcare systems, knowledge, beliefs about capabilities, professional role, social influence, and beliefs about consequences. Notably, only 57% of the participants were likely to have a plan to care for people in PrEP and 66.7% were likely to advocate for PrEP. The perception of the need for PrEP in populations, the value of PrEP as a practice, the influence of colleagues, and seeing PrEP care as a priority was related to being less likely to be unwilling to provide or advocate for PrEP care. CONCLUSION: Our findings suggested the importance of multilevel strategies to increase the provision of PrEP care by healthcare providers including adquisition of new skills, training of PrEP champions, and strength the capacity of the health system.
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 | 0,018 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».