Using Implementation Science to Evaluate the Implementation of Patient-Reported Outcome Measures (PROMs) in a Clinical Heart Failure Care Setting
Notice bibliographique
Résumé
Background: Patients with heart failure (HF) can experience a poor quality-of-life (QOL), recurring hospitalizations, and progressive disease symptoms. Patient-reported outcome measures (PROMs) integrate patients' voices into clinical care, by assessing patient symptoms, function, and QOL. In 2022, PROMs were incorporated into the electronic health record system (Epic) at a large academic hospital in Toronto, Ontario, Canada. The purpose of this study was to use implementation-science frameworks to systematically evaluate the uptake and integration of PROMs into clinical HF care. Methods: The Reach, Effectiveness, Adoption, Implementation, and Maintenance (RE-AIM) framework guided this mixed-methods, 1-year, quality-improvement project. Data sources included the following: clinician use of PROMs; patient-level data on completed PROMs; and semistructured interviews with clinicians. The PROM was the Kansas City Cardiomyopathy Questionnaire-12, which captures 4 domains related to HF-symptom frequency, physical limitations, social limitations, and QOL (KCCQ-12 is used as an example case of PROMs in general). Quantitative data were analyzed using descriptive statistics; qualitative data were analyzed using behaviour-change frameworks and latent content analysis. Results: Over the course of 1 year, more patients were assigned to PROMs, a higher proportion of patients completed PROMs, and approximately 80% of patients had high scores on the questionnaire. Clinicians experience barriers-related to attention and decision processes, the environmental context, and their professional role-to integrating PROMs into practice. Suggested changes to improve PROM uptake include adding language licenses for PROM translations, reducing cognitive load for clinicians who are assigning and interpreting PROMs in the Epic system, and championing modelling of use of PROMs in practice. Conclusions: This study demonstrates the benefit of using implementation science frameworks, to evaluate the implementation of PROMs in practice and provide actionable recommendations to health systems.
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 | 0,000 | 0,001 |
| 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 ».