Success factors for interventions to reduce low-value imaging. Six crucial lessons learned from a practical case study in Norway
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Substantial overuse of health care services is identified and intensified efforts are incited to reduce low-value services in general and in imaging in particular. OBJECTIVE: To report crucial success factors for developing and implementing interventions to reduce specific low-value imaging examinations based on a case study in Norway. MATERIALS AND METHODS: Mixed methods design including one systematic review, one scoping review, implementation science, qualitative interviews, content analysis of stakeholders' input, and stakeholder deliberations. RESULTS: The description and analysis of an intervention to reduce low-value imaging in Norway identifies six general success factors: 1) Acknowledging complexity: advanced knowledge synthesis, competence of the context, and broad and strong stakeholder involvement is crucial to manage de-implementation complexity. 2) Clear consensus-based criteria for selecting low-value imaging procedures are key. 3) Having a clear target group is critical. 4) Stakeholder engagement is essential to ascertain intervention relevance and compliance. 5) Active and well-motivated intervention collaborators is imperative. 6) Paying close attention to the mechanisms of low-value imaging and the barriers to reduce it is decisive. CONCLUSION: Reducing low-value imaging is crucial to increase the quality, safety, efficiency, and sustainability of the health services. Reducing low-value imaging is a complex task and paying attention to specific practical success factors is key.
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.
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 | 0,006 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle