ECHO OEM virtual community of learning for primary care
Notice bibliographique
Résumé
BACKGROUND: Health issues caused and/or exacerbated by work are common in patients seeking primary health care. Yet, primary care providers generally receive little or no training in the assessment and management of occupational injuries and illnesses. AIMS: To conduct a pilot project to develop, implement and evaluate a programme to teach occupational and environmental medicine to primary healthcare providers. METHODS: We followed the Extensions for Community Healthcare Outcomes (ECHO) model to connect primary healthcare providers with experts in Occupational and Environmental Medicine (OEM). We employed an observational pre-post study design to assess changes in self-efficacy, knowledge, attitudes and beliefs towards OEM. RESULTS: From September 2021 to June 2022, we offered two cycles of 12 sessions each. Participants came from medicine, nursing, psychology, occupational and physical therapy, chiropractic, kinesiology, social work, and pharmacy. Sixty-seven participants completed both pre- and post-ECHO questionnaires. Self-efficacy and knowledge ratings significantly increased after attendance at ECHO compared to the pre-ECHO responses. Attitudes and beliefs were unchanged in most of the items assessed. Participants rated their satisfaction with ECHO between 59% and 97%. CONCLUSIONS: Our pilot study demonstrated the challenges in implementing the first ECHO OEM in Canada. Findings show acceptability and satisfaction, improved self-efficacy, and small increases in knowledge, but not overall attitudes and beliefs. There is a need to understand barriers to participation and to target participants with less knowledge and experience in occupational and environmental medicine.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».