Evaluating Health Organization Readiness for Implementing a Learning Health System: Literature Review to Inform Questionnaire Development
Notice bibliographique
Résumé
Objective: Adopting a learning health system (LHS) is a promising approach to bridging knowledge-to-practice gaps. The aim of this study was to explore how LHS are defined and characterized in the literature, the barriers and facilitators health organizations may face when implementing an LHS, and what tools currently exist to help health organizations assess their readiness to implement an LHS. Methods: A literature review was conducted to identify items relevant for developing the content of an LHS readiness questionnaire. PubMed and the Learning Health Systems journal were searched from inception to December 2023. Publications that addressed the definitions, frameworks, characteristics, barriers, and facilitators of an LHS were included. Results: Of the 28 included articles, 16 provided a definition of LHS–eight of which were based on the Institute of Medicine’s definition (i.e., where science, informatics, incentives, and culture are aligned for continuous improvement and innovation). 16 articles provided domains associated with an LHS framework that informed our questionnaire. These included data to knowledge, knowledge to practice, practice to data, and core values. Barriers to adopting an LHS approach included financial constraints, time, and the complexity of the task; facilitators included financial incentives, government mandates, and consistent implementation across centres. Conclusion: Few specific LHS readiness tools have been outlined in the extant literature. Current readiness tools derived from quality improvement contexts may be helpful but not sufficiently specific for assessing healthcare organizations’ readiness to implement an LHS. A new LHS readiness questionnaire may help meet this need, but further refinement and validation is required.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,091 | 0,209 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,034 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».