Implementation of Smartphone Systems to Improve Quality of Life for People With Substance Use Disorder: Interim Report on a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Researchers have conducted numerous studies seeking to understand how to improve the implementation of changes in health care organizations, but less focus has been given to applying lessons already learned from implementation science. Finding innovative ways to apply these findings efficiently and consistently will improve current research on implementation strategies and allow organizations utilizing these techniques to make changes more effectively. OBJECTIVE: This research aims to compare a practical implementation approach that uses principles from prior implementation studies to more traditional ways of implementing change. METHODS: A total of 43 addiction treatment sites in Iowa were randomly assigned to 2 different implementation strategies in a randomized comparative effectiveness trial studying the implementation of an eHealth substance use disorder treatment technology. One strategy used an adaptation of the Network for the Improvement of Addiction Treatment (NIATx) improvement approach, while the other used a traditional product training model. This paper discusses lessons learned about implementation. RESULTS: This midterm report indicates that use of the NIATx approach appears to be leading to improved outcomes on several measures, including initial and sustained use of new technology by both counselors and patients. Additionally, this research indicates that seamlessly integrating organizational changes into existing workflows and using coaching to overcome hurdles and assess progress are important to improve implementation projects. CONCLUSIONS: At this interim point in the study, it appears that the use of the NIATx improvement process leads to better outcomes in implementation of changes within health care organizations. Moreover, some strategies used in this improvement process are particularly useful and should be drawn on more heavily in future implementation efforts. TRIAL REGISTRATION: ClinicalTrials.gov NCT03954184; https://clinicaltrials.gov/ct2/show/NCT03954184.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».