The Alliance for Healthier Communities as a Learning Health System for primary care: A qualitative analysis in Ontario, Canada
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: A learning health system model can be used to efficiently evaluate and incorporate evidence-based care into practice. However, there is a paucity of evidence describing key organizational attributes needed to ensure a successful learning health system within primary care. We interviewed stakeholders for a primary care learning health system in Ontario, Canada (the Alliance for Healthier Communities) to identify strengths and areas for improvement. METHOD: We conducted a qualitative descriptive study using individual semistructured interviews with Alliance stakeholders between December 2019 and March 2020. The Alliance delivers community-governed primary healthcare through 109 organizations including Community Health Centres (CHCs). All CHC staff within the Alliance were invited to participate. Interviews were audio-recorded and transcribed verbatim. We performed a thematic analysis using a team approach. RESULTS: We interviewed 29 participants across six CHCs, including Executive Directors, managers, healthcare providers and data support staff. We observed three foundational elements necessary for a successful learning health system within primary care: shared organizational goals and culture, data quality and resources. Building on this foundation, people are needed to drive the learning health system, and this is conditional on their level of engagement. The main factors motivating staff member's engagement with the learning health system included their drive to help improve patient care, focusing on initiatives of personal interest and understanding the purpose of different initiatives. Areas for improvement were identified such as the ability to extract and use data to inform changes in real-time, better engagement and protected time for providers to do improvement work, and more staff dedicated to data extraction and analysis. CONCLUSIONS: We identified key components needed to establish a learning health system in primary care. Similar primary care organizations in Canada and elsewhere can use these insights to guide their development as learning health systems.
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 | 0,017 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,023 | 0,009 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».