MétaCan
Menu
← Retour à la cohorte
Enregistrement W4393156213 · doi:10.1101/2024.03.22.24304705

The iCARE feasibility non-experimental design study: An integrated collection of education modules for fall and fracture prevention for healthcare providers in long term care

2024· preprint· en· W4393156213 sur OpenAlexafffundabout
Isabel B. Rodrigues, George Ioannidis, Lauren Kane, Loretta M. Hillier, Caitlin McArthur, Jonathan D. Adachi, Lehana Thabane, George Heckman, Jayna Holroyd‐Leduc, Susan Jaglal, Sharon Kaasalainen, Sharon E. Straus, Momina Abbas, Jean‐Éric Tarride, Sharon Marr, John P. Hirdes, Arthur Lau, Andrew P. Costa, Αλεξάνδρα Παπαϊωάννου

Notice bibliographique

RevuemedRxiv · 2024
Typepreprint
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensUniversity of CalgarySt. Joseph’s Healthcare HamiltonUniversity of TorontoHamilton Health SciencesDalhousie UniversityUniversity of WaterlooMcMaster UniversityResearch Institute for AgingSt. Michael's Hospital
Organismes subventionnairesMcMaster UniversityCanadian Institutes of Health ResearchAGE-WELLHamilton Health SciencesAmgen
Mots-clésTerm (time)Health careFracture (geology)Data collectionFall preventionMedicineMedical emergencyEngineeringInjury preventionPoison controlPolitical scienceSociology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Falls and hip fractures are a major health concern among older adults in long term care (LTC) with almost 50% of residents experiencing a fall annually. Hip fractures are one of the most important and frequent fall-related injuries in LTC. The purpose of this study was to determine the feasibility (recruitment rate and adaptations) of implementing the PREVENT (Person-centred Routine Fracture PreEVENTion) model in practice, with a subobjective to understand facilitators and barriers. The model includes a multifactorial intervention on diet, exercise, environmental adaptations, hip protectors, medications (including calcium and vitamin D), and medication reviews to treat residents at high risk of fracture. Our secondary outcomes aimed to assess change in knowledge uptake of the guidelines among healthcare providers and in the proportion of fracture prevention prescriptions post-intervention. We conducted a mixed-methods non-experimental design study in three LTC homes across southern Ontario. A local champion was selected to guide the implementation. We reported recruitment rates using descriptive statistics and adaptations using content analysis. We reported changes in knowledge uptake using the paired sample t-test and the percentage of osteoporosis medications prescriptions using absolute change. Within five months, we recruited three LTC homes. We required two months to identify and train the local champion over three 1.5-hour train-the-trainer sessions, and the champion required three months to deliver the intervention to the healthcare team. We identified several facilitators, barriers, and adaptations. Benefits of the model include easy access to the Fracture Risk Scale, clear and succinct educational material catered to each healthcare professional, and an accredited educational module for physicians and nurses. Challenges included misperceptions between the differences in fall and fracture prevention strategies, fear of perceived side effects associated with fracture prevention medications, and time barriers with completing the audit report. Our study did not increase knowledge uptake of the guidelines, but there was an increase in the proportion of osteoporosis medication post-intervention.

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)0,012
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,058
Tête enseignante GPT0,407
Écart entre enseignants0,348 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetChronic Disease Management Strategies→Travaux en français237 207→