Using Shared Decision-Making Resources in Long-Term Care: a Qualitative Study
Notice bibliographique
Résumé
Background: Shared decision-making (SDM) incorporates people's individual preferences and context into individualized, person-centred decisions. Persons living in long-term care (LTC) should only take medications that are a good fit for them as individuals. Methods: We conducted a pilot study to understand experiences of two LTC homes in Ontario as they tested implementing SDM resources to support medication decisions. LTC homes conducted two Plan-Do-Study-Act (PDSA) cycles supported by an Advisory Group composed of LTC home representatives and stakeholders involved in resource design. Rapid qualitative analysis of transcripts and field notes from Advisory Group meetings elucidated how SDM resources were used. Results: Each site was positively engaged but implemented resources differently. The pharmacist and physicians at Site 1 introduced proton-pump inhibitor (PPI) deprescribing as their primary intervention, identifying suitable residents, informing residents and families of the deprescribing process, and providing selected SDM resources to residents, caregivers and staff. Representatives reported limited engagement with SDM resources and difficulty measuring the impact of PPI deprescribing. Representatives from Site 2 disseminated the SDM resources to residents and caregivers for use at care conferences and focused on front-line staff education and involvement. This site reported that some residents/caregivers were interested in participating in SDM and using the resources, while others were not. The impact of the resources on SDM at this site was unclear. Conclusions: Within the context of LTC, further research is needed to clarify the meaning and importance of SDM in medication decision-making. Implementation of SDM will likely require a multi-faceted approach.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».