The Use of Patient Stories as a Knowledge Translation Strategy to Facilitate the Sustainability of Evidence-Based Interventions (EBIs) in Healthcare
Notice bibliographique
Résumé
Background: Patient stories are real-life experiences told from a patient’s or their family’s perspective. In the past, patient stories have served many purposes in healthcare, such as spreading knowledge, educating providers, or conveying the patient experience. Patient stories are increasingly used as a knowledge translation (KT) strategy to improve the uptake of evidence-based interventions (EBIs) into clinical healthcare practices by embodying the patient experience. However, little is known about the use of patient stories to support the sustainability of EBIs in healthcare practices. There is a need to understand how patient stories can be used for the long-term use and benefit of EBIs in practice. Objective: Our research explored how patient stories facilitate the sustainability of EBIs in healthcare. Methods: We conducted a secondary thematic analysis of 20 qualitative interviews from a realist evaluation previously published by Flynn et al. Results: We found that the use of patient stories as a KT strategy for the sustainability of two EBIs created buy-in towards new research, motivated and encouraged staff to continue to engage with the intervention long-term and facilitated the spread of the EBI. Our findings demonstrate how sharing patient stories digitally or through learning collaboratives and online toolkits, can facilitate sustainability by enabling patient stories to be saved and distributed to a wide audience at any time. Despite the potential use of patient stories to support long-term research use, more research is needed to understand how effective patient stories are at supporting the long-term use of research evidence aimed to improve healthcare practice.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».