Interprofessional survey on medication reconciliation activities in the US Department of Veterans’ Affairs: development and validation of an Implementation Readiness Questionnaire
Notice bibliographique
Résumé
BACKGROUND: Medication reconciliation (MR) can detect medication history discrepancies at interfaces-in-care and help avoid downstream adverse drug events. However, organisations have struggled to implement high-quality MR programmes. The literature has identified systems barriers, including technology capabilities and data interoperability. However, organisational culture as a root cause has been underexplored. OBJECTIVES: Our objectives were to develop an implementation readiness questionnaire and measure staff attitudes towards MR across a healthcare enterprise. METHODS: We developed and distributed a questionnaire to 170 Veterans' Health Affairs (VHA) sites using Research Electronic Data Capture (REDCap) software. The questionnaire contained 21 Likert-scale items that measured three constructs, such as: (1) the extent that clinicians valued MR; (2) perceptions of workflow compatibility and (3) perceptions concerning organisational climate of implementation. RESULTS: 8704 clinicians and staff responded to our questionnaire (142 of 170 VHA facilities). Most staff believed reconciling medications can improve medication safety (approximately 90% agreed it was 'important'). However, most (approximately 90%) also expressed concerns about changes to their workflow. One-third of respondents prioritised other duties over MR and reported barriers associated with implementation climate. Only 47% of respondents agreed they had enough resources to address discrepancies when identified. INTERPRETATION: Our findings indicate that an MR readiness assessment can forecast challenges and inform development of a context-sensitive implementation bundle. Clinicians surveyed struggled with resources, technology challenges and implementation climate. A strong campaign should include clear leadership messaging, credible champions and resources to overcome technical challenges. CONCLUSIONS: This manuscript provides a method to conduct a readiness assessment and highlights the importance of organisational culture in an MR campaign. The data can help assess site or network readiness for an MR change management programme.
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 | 0,030 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».