Quality improvement collaborative approach to COVID-19 pandemic preparedness in long-term care homes: a mixed-methods implementation study
Notice bibliographique
Résumé
BACKGROUND: The devastating impact of the COVID-19 pandemic on long-term care (LTC) homes underscores the importance of effective pandemic preparedness and response. This mixed-methods, implementation science study investigated how a virtual-based quality improvement (QI) collaborative approach can improve uptake of pandemic-related promising practices and shared learning across six LTC homes in British Columbia, Canada in 2021 during the COVID-19 pandemic health emergency. METHODS: QI teams consisting of residents, family/informal caregivers, care providers and leadership in LTC homes are supported by QI facilitation and shared learning through virtual communication platforms. QI projects address gaps in outbreak preparation, prevention and response; planning for care; staffing; and family presence. Thematically analysed semi-structured qualitative interviews and a validated questionnaire on organisational readiness investigated participants' perceptions of challenges, success factors and benefits of participating in the virtual QI collaborative approach. RESULTS: Nine themes were identified through interview analysis, including two related to challenges (ie, making time for QI and hands tied by external forces), four regarding factors for successes (ie, team buy-in, working together as a team, bringing together diverse perspectives and facilitators keep us on track) and three on the benefits of the QI collaborative approach (ie, seeing improvements, staff empowerment and appetite for change). Continuous QI facilitation and coaching for QI teams was feasible and sustainable virtually via video conferencing (Zoom). The QI team members showed limited engagement on the virtual communication platform (Slack), which was predominantly used by the implementation science team and QI facilitators to coordinate the study and QI projects, respectively. CONCLUSIONS: The virtual-based QI collaborative approach to pandemic preparedness supported LTC homes to rapidly and successfully form multidisciplinary QI teams, learn about QI methods and conduct timely QI projects to implement promising practice for improved COVID-19 pandemic response.
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 | 0,018 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».