O-176 USING THE ECHO MODEL TO TEACH OCCUPATIONAL AND ENVIRONMENTAL MEDICINE TO PRIMARY CARE PROVIDERS
Notice bibliographique
Résumé
Abstract Introduction Primary care providers (PCPs) have scarce access to specialists in occupational and environmental medicine (OEM) regarding return to work, occupational injuries, illnesses, and environmental exposures. We conducted a pilot project to develop, implement and evaluate a teaching program on OEM for PCPs. The program also sought to improve communication between PCPs and the Ontario Workplace Safety and Insurance Board (WSIB) who provide wage-loss benefits and support for return to work after a work-related injury or illness. Methods We used the ECHO model to connect PCPs with OEM experts, using weekly video conference sessions to discuss participants’ cases and deliver didactic presentations. We invited PCPs to attend two cycles of 12 ECHO OEM sessions. An observational pre-post study design assessed changes in ECHO participants. Data were collected using online questionnaires for demographics, satisfaction, self-efficacy, knowledge, attitudes and beliefs. We analyzed the data using parametric and non-parametric statistics. Two cycles of 12 sessions each ran from September 2021 - June 2022, attended by various PCPs. Results 229 participants registered, and 150 attended at least one session, of these 67 completed both pre- and post-ECHO questionnaires. ECHO OEM had a positive impact on satisfaction; self-efficacy increased post-ECHO (p<.0001) and knowledge increased after ECHO (p=0.004). Two of 10 items regarding attitudes and beliefs, related to perceptions, and the role of the WSIB significantly improved after ECHO (p<0.05). ECHO OEM was feasible and acceptable in Ontario. Discussion and Conclusion We demonstrated high satisfaction with the program, improved self-efficacy, increased knowledge, and improved attitudes and beliefs about the WSIB.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».