Obesity services planning framework for interprofessional primary care organizations
Notice bibliographique
Résumé
Aim We report on a formative project to develop an organization-level planning framework for obesity prevention and management services. BACKGROUND: It is common when developing new services to first develop a logic model outlining expected outcomes and key processes. This can be onerous for single primary care organizations, especially for complex conditions like obesity. METHODS: The initial draft was developed by the research team, based on results from provider and patient focus groups in one large Family Health Team (FHT) in Ontario. This draft was reviewed and activities prioritized by 20 FHTs using a moderated electronic consensus process. A national panel then reviewed the draft. Findings Providers identified five main target groups: pregnancy to 2, 3-12, 13-18, 18+ years at health risk, and 18+ with complex care needs. Desired outcomes were identified and activities were prioritized under categories: raising awareness (eg, providing information and resources on weight-health), identification and initial management (eg, wellness care), follow-up management (eg, group programs), expanded services (eg, availability of team services), and practice initiatives (eg, interprofessional education). Overall, there was strong support for raising awareness by providing information on the weight-health connection and on community services. There was also strong support for growth assessment in pediatric care. In adults, there was strong support for wellness care/health check visits and episodic care to identify people for interventions, for group programs, and for additional provider education. CONCLUSIONS: Joint development by different teams proved useful for consensus on outcomes and for ensuring relevancy across practices. While priorities will vary depending on local context, the basic descriptions of care processes were endorsed by reviewers. Key next steps are to trial the use of the framework and for further implementation studies to find optimally effective approaches for obesity prevention and management across the lifespan.
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 | 0,030 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».