Exploring gaps, opportunities, barriers and enablers in malnutrition policy through key informant interviews: a qualitative inquiry from the CANDReaM initiative
Notice bibliographique
Résumé
Objectives: Disease-related malnutrition (DRM) presents in up to half of adults and one-third of children admitted to Canadian hospitals and significantly impacts health outcomes. Strategies to screen, diagnose and treat DRM exist but policy to facilitate implementation and sustainability are lacking. The purpose of this study was to explore gaps, opportunities, barriers and enablers for DRM policy in Canada. Methods: A qualitative study was conducted with multi-national key informants in DRM and/or health policy. Purposive sampling identified participants for a semi-structured interview. The health policy triangle framework informs policy outcomes by considering actors, content, context and processes, and was used to guide this work. Inductive thematic analysis was completed, followed by deductive analysis based on the framework. Results: DRM policy actors were seen as champions in healthcare, senior leaders in healthcare administration and individuals with lived experience. Policy content focused on screening, diagnosis and treatment of DRM. Key areas related to policy context included system specifics related to setting, cost and capacity, and social determinants of health. DRM policy processes were viewed as cross-sectoral and multi-level governance, mandating and other reinforcement strategies, windows of opportunity, and evaluation and research. Conclusions: DRM care has advanced substantially, yet policy-level changes are sparse, and gaps exist. DRM policy is facilitated by similar content around the globe and needs to be tailored to address setting-specific needs. Actors, content, context and processes inform policy and can be a dominant lever to accelerate nutrition care best practices.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».