Academic detailing to improve appropriate opioid prescribing: a mixed-methods process evaluation
Notice bibliographique
Résumé
BACKGROUND: Academic detailing, an educational outreach service for family physicians, was funded by the Ontario government to address gaps in opioid prescribing and pain management. We sought to evaluate the impact of academic detailing on opioid prescribing, and to understand how and why academic detailing may have influenced opioid prescribing. METHODS: In this mixed-methods study, we collected quantitative and qualitative data concurrently from 2017 to 2019 in Ontario, Canada. We analyzed prescribing outcomes descriptively for a sample of participating physicians and compared them with a matched control group. We invited physicians to participate in qualitative interviews to discuss their experiences in academic detailing. Development and analysis of qualitative interviews was informed by the Theoretical Domains Framework. We triangulated qualitative and quantitative findings to understand the mechanisms that drove changes in opioid prescribing. RESULTS: = 238). Seventeen physicians completed interviews and reported that academic detailing addressed barriers to pain care, including lack of confidence, difficult interactions with patients and prescribing and tapering decisions. Academic detailing reinforced knowledge about opioid prescribing and pain management. Discussion of complex patients and talking points to use during challenging conversations were described as key drivers of practice change. INTERPRETATION: The findings of this real-world, mixed-methods evaluation explain how an academic detailing service addressed key barriers and enablers to limit high-risk opioid prescribing in primary care. This nuanced understanding will be used to inform, spread and scale academic detailing.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».