Local opinion leaders: effects on professional practice and health care outcomes
Notice bibliographique
Résumé
BACKGROUND: Clinical practice is not always evidence-based and, therefore, may not optimise patient outcomes. Opinion leaders disseminating and implementing 'best evidence' is one innovative method that holds promise as a strategy to bridge evidence-practice gaps. OBJECTIVES: To assess the effectiveness of the use of local opinion leaders in improving the behaviour of health care professionals and patient outcomes. SEARCH STRATEGY: We searched MEDLINE, Health Star, SIGLE and the Cochrane Effective Practice and Organisation of Care Group Trials Register. We did not apply date restrictions to our search strategy. Searches were last updated in February 2005. In addition, we searched reference lists of all potential studies that were identified. SELECTION CRITERIA: Studies eligible for inclusion were randomized controlled trials that used objective measures of performance/provider behaviour and/or patient health outcomes. DATA COLLECTION AND ANALYSIS: Two reviewers extracted data from each study and assessed its methodological quality. We calculated the absolute difference in the risk of 'non-compliance' with desired practice, adjusting for baseline levels of non-compliance where these data were available. MAIN RESULTS: Twelve studies met our eligibility criteria. The adjusted absolute risk difference of non-compliance with desired practice varied from -6% (favouring control) to +25% (favouring opinion leader intervention). Overall, the median adjusted risk difference (ARD) was 0.10 representing a 10% absolute decrease in non-compliance in the intervention group. AUTHORS' CONCLUSIONS: The use of local opinion leaders can successfully promote evidence-based practice. However the feasibility of its widespread use remains uncertain.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».