A Peer-to-Peer Approach to Implementation of a Chronic Disease Management Program
Notice bibliographique
Résumé
Background: Peer-to-peer (P2P) learning occurs when individuals from similar social groups or professions help each other to learn new knowledge skills or problem solving. Peer-to-peer learning is used across many disciplines but has not been widely studied in primary care or chronic disease management. This study explored the use of an interprofessional P2P approach to support the implementation of a chronic disease management program in primary care for patients with chronic obstructive pulmonary disease (COPD), known as Best Care COPD (BCC). Methods and findings: A single descriptive case study design was used to explore P2P learning implementation approach. Focus groups and key informant interviews were held with providers involved in implementation (n = 26). Three key components of the P2P approach were identified: 1) an interprofessional team, 2) iterative peer-led training, and 3) continuous peer connection. Three recommendations are provided to support future P2P efforts: 1) enlist a champion in each profession, 2) build a P2P community, and 3) implement succession planning. Conclusion: This article provides an empirical example of the use of a P2P approach in primary care program implementation. The results will inform the future implementation of programs for chronic disease management as well as the continued sustainability of the BCC program.
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 | 0,032 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».