Exploring contextual factors impacting the implementation of and engagement with a digital platform supporting psychosis recovery: A brief report
Notice bibliographique
Résumé
Individuals with schizophrenia often demonstrate poor engagement in treatment and challenges with illness self-management. App4independence (A4i) is a digital health platform that was developed with the purpose of addressing the aforementioned challenges. While digital interventions can support patient care, there is a paucity of research on implementing such interventions in clinical settings. To describe the contextual factors that impacted the implementation of and engagement with A4i across three different clinical implementation sites, a descriptive approach, guided by implementation science frameworks, was employed to understand how people, culture, process, and technology impacted the implementation of A4i. Descriptive statistics were used to present user engagement data across each site implementation. Additionally, the lessons learned from each implementation were described narratively. Overall, 53 patients were onboarded to A4i in Context 1, 8 in Context 2, and 65 within Context 3, with retention rates over 90 days of 100%, 100%, and 96%, respectively. The adoption, engagement, and sustained use of the A4i platform varied across each implementation site and were affected by implementation strategies within the sociotechnical domains of people, culture, process, and technology. Despite differences in implementation processes, engagement with A4i remained consistently high. Customized educational materials, digital navigators, and technical support served as facilitators in the adoption of A4i.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».