MétaCan
Menu
Retour à la cohorte
Enregistrement W4391729535 · doi:10.1101/2024.02.05.24302368

Impact of a team-based versus individual clinician-focused training approach on primary healthcare professionals’ intention to have serious illness conversations with patients: a theory informed process evaluation of a cluster randomized trial

2024· preprint· en· W4391729535 sur OpenAlexaff
Lucas Gomes Souza, Patrick Archambault, Dalil Asmaou Bouba, Suélène Georgina Dofara, Sabrina Guay-Bélanger, Sergio Cortez Ghio, Souleymane Gadio, LeAnn Michaels, Jean‐Sébastien Paquette, Shigeko Izumi, Annette M Totten, France Légaré

Notice bibliographique

RevuemedRxiv · 2024
Typepreprint
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensCentre hospitalier universitaire de QuébecCentre intégré de santé et de services sociaux de Chaudière-AppalachesCentre intégré universitaire de santé et de services sociaux de la Capitale-NationaleUniversité LavalCentres Intégré Universitaires de Santé et de Services Sociaux
Organismes subventionnairesnon disponible
Mots-clésRandomized controlled trialCluster randomised controlled trialHealth carePsychologyIntervention (counseling)MedicineFamily medicineNursing

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Background Cluster Randomized Trials (cRTs) conducted in real-world settings face complex challenges due to diverse practices and populations. Process evaluations alongside cRTs can help explain their results by exploring possible causal mechanisms as the trial proceeds. Objective To conduct a process evaluation alongside a cRT that compared the impact of team-based vs. individual clinician-focused SICP training on primary healthcare professionals’ (PHCPs) intention to have serious illness conversations with patients. Methods The cRT involved 45 primary care practices randomized into a team-based (intervention) or individual clinician-focused training program (comparator) and measured primary outcomes at the patient level: days at home and goal of care. Our theory-informed mixed-methods process evaluation alongside the cRT measured intention to have serious illness conversations with patients among the trained PHCPs using the CPD-Reaction tool. Barriers and facilitators to implementing serious illness conversations were identified through open-ended questions and analyzed using the Theoretical Domains Framework. We used the COM-B framework to perform triangulation of data. We reported results using the CONSORT and GRAMMS reporting guidelines. Results Of 535 PHCPs from 45 practices, 373 (69.7%) fully completed CPD-Reaction (30.8% between 25-34 years old; 78.0% women; 54.2% had a doctoral degree; 50.1% were primary care physicians). Mean intention scores for the team-based (n=223) and individual clinician-focused arms (n=150) were 5.97 (Standard Error: 0.11) and 6.42 (Standard Error: 0.13), respectively. Mean difference between arms was 0.0 (95% CI −0.30;0.29; p=0.99) after adjusting for age, education and profession. The team-based arm reported barriers with communication, workflow, and more discomfort in having serious illness conversations with patients. Conclusions Team-based training did not outperform individual clinician-focused in influencing PHCPs’ intention to have serious illness conversations. Future team-based interventions could foster behaviour adoption by focusing on interprofessional communication, better organized workflows, and better support and training for non-clinician team members. Registration ClinicalTrials.gov (ID: NCT03577002 ).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,134
score de la tête « metaresearch » (Gemma)0,161
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,134
Score d'incertitude au seuil0,708

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1340,161
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0060,009
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,004
Communication savante0,0030,004
Science ouverte0,0030,003
Intégrité de la recherche0,0050,004
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,414
Tête enseignante GPT0,602
Écart entre enseignants0,188 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetHealth Policy Implementation ScienceTravaux en français237 207