Managing Medications During “Sick Days” in Patients With Diabetes, Kidney, and Cardiovascular Conditions: A Theory-informed Approach to Intervention Design and Implementation
Notice bibliographique
Résumé
OBJECTIVES: Our aim in this work was to 1) explore barriers and enablers to patient and health-care provider (HCP) behaviours related to sick-day medication guidance (SDMG), 2) identify theory-informed strategies to advise SDMG intervention design, and 3) obtain perspectives on an eHealth tool for this purpose. METHODS: A qualitative descriptive study using qualitative conventional content analysis was undertaken. Interviews and focus groups were held with patients and HCPs from January 2021 to April 2022. Data were analyzed using the Behaviour Change Wheel and Theoretical Domains Framework to inform intervention design. RESULTS: Forty-eight people (20 patients, 13 pharmacists, 12 family physicians, and 3 nurse practitioners) participated in this study. Three interventions were designed to address the identified barriers and enablers: 1) prescriptions provided by a community-based care provider, 2) pharmacists adding a label to at-risk medications, and 3) built-in prompts for prescribing and dispensing software. Most participants accepted the concept of an eHealth tool and identified pharmacists as the ideal point-of-care provider. Challenges for an eHealth tool were raised, including credibility, privacy of data, medical liability, clinician remuneration and workload impact, and equitable access to use of the tool. CONCLUSIONS: Patients and HCPs endorsed non-technology and eHealth innovations as strategies to aid in the delivery of SDMG. These findings can guide the design of future theory-informed SDMG interventions.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».