Beyond Plan-Do-Study-Act cycle – staff perceptions on facilitators and barriers to the implementation of telepresence robots in long-term care
Notice bibliographique
Résumé
BACKGROUND: Quality improvement (QI) programs with technology implementations have been introduced to long-term care (LTC) to improve residents' quality of life. Plan-Do-Study-Act (PDSA) cycle is commonly adopted in QI projects. There should be an appropriate investment of resources to enhance learning from iterative PDSA cycles. Recently, scholars explored possibilities of implementation science (IS) with QI methods to increase QI projects' generalisability and make them more widely applicable in other healthcare contexts. To date, scant examples demonstrate the complementary use of the two methods in QI projects involving technology implementation. This qualitative study explores staff and leadership teams' perspectives on facilitators and barriers of a QI project to implement telepresence robots in LTC guided by the Consolidated Framework for Implementation Research (CFIR). METHODS: We employed purposive and snowballing methods to recruit 22 participants from two LTC in British Columbia, Canada: operational and unit leaders and interdisciplinary staff, including nursing staff, care aides, and allied health practitioners. CFIR was used to guide data collection and analysis. Semi-structured interviews and focus groups were conducted through in-person and virtual meetings. Thematic analysis was employed to generate insights into participants' perspectives. RESULTS: Our analysis identified three themes: (a) The essential needs for family-resident connections, (b) Meaningful engagement builds partnership, and (c) Training and timely support gives confidence. Based on the findings and CFIR guidance, we demonstrate how to plan strategies in upcoming PDSA cycles and offer an easy-to-use tool 'START' to encourage the practical application of evidence-based strategies in technology implementation: Share benefits and failures; Tailor planning with staff partners; Acknowledge staff concerns; Recruit opinion leaders early; and Target residents' needs. CONCLUSIONS: Our study offers pragmatic insights into the complementary application of CFIR with PDSA methods in QI projects on implementing technologies in LTC. Healthcare leaders should consider evidence-based strategies in implementing innovations beyond PDSA cycles.
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 | 0,034 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».