Implementing palliative care education into primary care practice: a qualitative case study of the CAPACITI pilot program
Notice bibliographique
Résumé
BACKGROUND: CAPACITI is a virtual education program that teaches primary care teams how to provide an early palliative approach to care. After piloting its implementation, we conducted an in-depth qualitative study with CAPACITI participants to assess the effectiveness of the components and to understand the challenges and enablers to virtual palliative care education. METHODS: We applied a qualitative case study approach to assess and synthesize three sources of data collected from the teams that participated in CAPACITI: reflection survey data, open text survey data, and focus group transcriptions. We completed a thematic analysis of these responses to gain an understanding of participant experiences with the intervention and its application in practice. RESULTS: The CAPACITI program was completed by 22 primary care teams consisting of 159 participants across Ontario, Canada. Qualitative data was obtained from all teams, including 15 teams that participated in focus groups and 21 teams that provided reflection survey data on CAPACITI content and how it translated into practice. Three major themes arose from cross-analysis of the data: changes in practice derived from involvement in CAPACITI, utility of specific elements of the program, and barriers and challenges to enacting CAPACITI in practice. Importantly, participants reported that the multifaceted approach of CAPACITI was helpful to them building their confidence and competence in applying a palliative approach to care. CONCLUSIONS: Primary care teams perceived the CAPACITI facilitated program as effective towards incorporating palliative care into their practices. CAPACITI warrants further study on a national scale using a randomized trial methodology. Future iterations of CAPACITI need to help mitigate barriers identified by respondents, including team fragmentation and system-based challenges to encourage interprofessional collaboration and knowledge translation.
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 | 0,015 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».