Characteristics of Knowledge Translation Theories, Models and Frameworks for Health Technology Reassessment: Expert Perspectives Through a Qualitative Exploration
Notice bibliographique
Résumé
Abstract Background: Health Technology Reassessment (HTR) is a process that systematically assesses technologies that are currently used in the health care system. The process results in four outputs: increase use or decrease use, no change, or de-adoption of a technology. Implementation of these outputs remains a challenge. The Knowledge Translation (KT) field enables knowledge into practice. KT could help with implementation of HTR outputs. This study sought to identify which characteristics of KT theories, models, and frameworks (TMFs) could be useful, specifically for decrease use or de-adoption of a technology.Methods: A qualitative descriptive approach was used to ascertain the perspectives of international KT and HTR experts on the characteristics of KT TMFs for decrease use or de-adoption of a technology. One-to-one semi-structured interviews were conducted from September to December 2019. Interviews were audio recorded and transcribed verbatim. Themes and sub-themes were deduced from the data through framework analysis using five distinctive steps: familiarization, identifying an analytic framework, indexing, charting, mapping and interpretation. Themes and sub-themes were also mapped to existing KT TMFs.Results: Thirteen individuals from Canada, United States, United Kingdom, Australia, Germany, Spain, and Sweden participated in the study. Three themes emerged that illustrated the ideal traits of a KT TMF: principles that were foundational for HTR, levers of change, and steps for knowledge to action. Principles included evidence-based, high usability, patient-centered, and ability to apply to the micro, meso, macro levels. Levers of change were characterized as positive, neutral, or negative influences for changing behaviour for HTR. Steps for knowledge to action included: build the case for HTR, adapt research knowledge, assess context, select, tailor and implement interventions, and assess impact. Of the KT TMFs that were mapped, the Consolidated Framework for Implementation Research had most of the characteristics, except ability to apply to micro, meso, macro levels. Conclusions: Application of KT TMFs to HTR has not been clearly understood. Characteristics that need to be considered within a KT TMF for implementing HTR outputs have been identified. Consideration of these characteristics within KT TMFs may guide users undertaking HTR projects.
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 | 0,156 | 0,171 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,011 | 0,019 |
| Communication savante | 0,014 | 0,014 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».