MétaCan
Menu
Retour à la cohorte
Enregistrement W4383815459 · doi:10.1186/s40900-023-00459-w

Positioning patients to partner: exploring ways to better integrate patient involvement in the learning health systems

2023· letter· en· W4383815459 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueResearch Involvement and Engagement · 2023
Typeletter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHealthcare Systems and Technology
Établissements canadiensUniversity of TorontoTrillium Health Centre
Organismes subventionnairesnon disponible
Mots-clésHealthcare systemPsychologyMedicineKnowledge managementMedical educationHealth careComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Globally, health systems are increasingly striving to deliver evidence based care that improves patients', caregivers' and communities' health outcomes. To deliver this care, more systems are engaging these groups to help inform healthcare service design and delivery. Their lived experiences-experiences accessing and/or supporting someone who accesses healthcare services-are now viewed by many systems as expertise and an important part of understanding and improving care quality. Patients', caregivers' and communities' participation in health systems can range from healthcare organizational design to being members of research teams. Unfortunately, this involvement greatly varies and these groups are often sidelined to the start of research projects, with little to no role in later project stages. Additionally, some systems may forgo direct engagement, focusing solely on patient data collection and analysis. Given the benefits of active patient, caregiver and community participation in health systems on patient health outcomes, systems have begun identifying different approaches to studying and applying findings of patient, caregiver and community informed care initiatives in a rapid and consistent fashion. The learning health system (LHS) is one approach that can foster deeper and continuous engagement of these groups in health systems change. This approach embeds research into health systems, continuously learning from data and translating findings into healthcare practices in real time. Here, ongoing patient, caregiver and community involvement is considered vital for a well functioning LHS. Despite their importance, great variability exists as to what their involvement means in practice. This commentary examines the current state of patient, caregiver and community participation in the LHS. In particular, gaps in and need for resources to support their knowledge of the LHS are discussed. We conclude by recommending several factors health systems must consider in order to increase participation in their LHS. Systems must: (1) assess patients', caregivers and community understanding of how their feedback are used in the LHS and how collected data are used to inform patient care; (2) review the level and extent of these groups' participation in health system improvement activities; and (3) examine whether health systems have the workforce, capacity and infrastructure to nurture continuous and impactful engagement.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,211
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,004
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,323
Tête enseignante GPT0,364
Écart entre enseignants0,041 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle