MétaCan
Menu
Retour à la cohorte
Enregistrement W4401798533 · doi:10.1186/s12913-024-11367-4

Identification of implementation enhancement strategies for national comprehensive care standards using the CFIR-ERIC approach: a qualitative study

2024· article· en· W4401798533 sur OpenAlexaff
Beibei Xiong, Daniel X. Bailey, Christine Stirling, Paul Prudon, Melinda Martin‐Khan

Notice bibliographique

RevueBMC Health Services Research · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesNSW Agency for Clinical InnovationUniversity of TasmaniaQueensland Health
Mots-clésImplementation researchNursing researchHealth administrationHealth informaticsEnablingMedicineWorkloadHealth careQuality managementHealth services researchDocumentationNursingQualitative researchMedical educationProcess managementService (business)Public healthPsychological interventionComputer sciencePolitical scienceBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Comprehensive care is important for ensuring patients receive coordinated delivery of healthcare that aligns with their needs and preferences. While comprehensive care programs are recognised as beneficial, optimal implementation strategies in the real world remain unclear. This study utilises existing implementation theory to investigate barriers and enablers to implementing the Australian National Safety and Quality Health Service Standard 5 - Comprehensive Care Standard in acute care hospitals. The aim is to develop implementation enhancement strategies for work with comprehensive care standards in acute care. METHODS: Free text data from 256 survey participants, who were care professionals working in acute care hospitals across Australia, were coded using the Consolidated Framework for Implementation Research (CFIR) using deductive content analysis. Codes were then converted to barrier and enabler statements and themes using inductive theme analysis approach. Subsequently, CFIR barriers and enablers were mapped to the Expert Recommendations for Implementing Change (ERIC) using the CFIR-ERIC Matching Tool, facilitating the development of implementation enhancement strategies. RESULTS: Twelve (n = 12) CFIR barriers and 10 enablers were identified, with 14 barrier statements condensed into 12 themes and 11 enabler statements streamlined into 10 themes. Common themes of barriers include impact of COVID-19 pandemic; heavy workload; staff shortage, lack of skilled staff and high staff turnover; poorly integrated documentation system; staff lacking availability, capability, and motivation; lack of resources; lack of education and training; culture of nursing dependency; competing priorities; absence of tailored straties; insufficient planning and adjustment; and lack of multidisciplinary collaboration. Common themes of enablers include leadership from CCS committees and working groups; integrated documentation systems; established communication channels; access to education, training and information; available resources; culture of patient-centeredness; consumer representation on committees and working groups; engaging consumers in implementation and in care planning and delivery; implementing changes incrementally with a well-defined plan; and regularly collecting and discussing feedback. Following the mapping of CFIR enablers and barriers to the ERIC tool, 15 enhancement strategies were identified. CONCLUSION: This study identified barriers, enablers, and recommended strategies associated with implementing a national standard for comprehensive care in Australian acute care hospitals. Understanding and addressing these challenges and strategies is not only crucial for the Australian healthcare landscape but also holds significance for the broader international community that is striving to advance comprehensive care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0230,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,765
Tête enseignante GPT0,779
Écart entre enseignants0,013 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetHealth Policy Implementation ScienceTravaux en français237 207