Barriers and Facilitators to Implementation of Intravenous Cardiovascular Treatments in Ambulatory Settings
Notice bibliographique
Résumé
AIMS: Intravenous (IV) therapies have transformed the management of various cardiovascular conditions in ambulatory patients. However, uptake of these therapies in ambulatory care settings has several barriers. In this systematic scoping review, we aimed to identify the barriers and facilitators that influence the implementation of current IV therapies in ambulatory settings. METHODS: We searched MEDLINE, Embase and CINAHL databases from inception to September 2023 for studies on barriers and facilitators of IV therapy uptake in ambulatory patients. We classified the identified factors and performed a thematic analysis. RESULTS: Fifteen studies, primarily conducted in North America and Europe, were included. Methodologies varied, precluding quantitative synthesis. Key barriers were identified across several levels. At the medication level, barriers included the need for multiple vials and lengthy preparation. Patient-level barriers included adverse effects, infections, painful venous access and non-adherence. Clinician-level barriers included understaffing, time constraints and safety concerns. Institutional barriers ranged from staff or equipment shortages to liability concerns and complex logistics. Healthcare system barriers included financial constraints and limited care delivery services. Facilitators included evidence-based indications, patient education and comfort, staff experience, guidance documents, safe settings, favourable insurance policies and supportive guidelines. CONCLUSIONS: As novel IV treatments emerge, addressing barriers and leveraging facilitators preemptively can enhance the successful implementation of IV therapies and improve clinical outcomes in ambulatory settings.
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 ».