Overview of factors influencing successful implementation of non‐medical prescribing
Notice bibliographique
Résumé
Abstract Aim This study sought to determine the factors influencing successful implementation of non‐medical prescribing (NMP). Data sources EMBASE, Medline, CINAHL and reference lists were searched from January 2010 to November 2020. Study Selection Umbrella review and narrative synthesis of results were utilised. The retrieved reviews underwent title screening, abstract review, full‐text screening and assessment for inclusion. To guarantee the precision of the search results, Participants, Intervention, Control, and Outcomes (PICO) elements were recorded for each study. Studies were included if they were systematic reviews, published in English, published from January 2010 to November 2020, and discussed barriers and/or facilitators to NMP implementation. Results Of the 193 studies identified, eight were eligible for inclusion. Most of the reviews (62%) were published in 2017–2018. The majority of the reviews (62%) were focused on the United Kingdom. Three reviews discussed nurse prescribing, two reviews focused on pharmacist prescribing, and three reviews investigated NMP generally. Data were compiled into the Consolidated Framework for Implementation Research to evaluate the factors that influence the success or failure of NMP implementation. Conclusion Implementation of NMP is a complex process which requires fulfilment of all its elements. The success of NMP can be directly related to the extent of the whole system engagement and support, and available funding.
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».