Community Provider Perspectives on an Autism Learning Health Network: A Qualitative Study
Notice bibliographique
Résumé
Although autism is highly prevalent, no single care center has enough patients to produce generalizable knowledge of optimal care; this slows the pace of quality improvement research. The Autism Care Network (ACNet) is a learning health network (LHN) dedicated to developing the most effective approach to care for autistic children and adolescents through integrating clinical and research data. Given that most autistic patients receive care in the community, expanding ACNet to include community providers is essential to improve autism care. Our objectives were to: (1) understand the current data collection practices, learning needs, capacity, and overall interest of community clinicians in participating in an autism LHN; (2) identify their perspectives on participating in a LHN and ways in which their engagement and interest can be cultivated. Participants were purposively sampled from community physicians who participated in ASD-focused educational programming. In-depth semi-structured interviews were conducted. Analysis of 29 participant interviews yielded five primary themes: Navigating Administrative Challenges, Improving Data Collection Practices, Increasing Provider Confidence and Competence, Breaking Down Silos, and System and Societal Barriers to Achieving Best Practices. This study provides a rich and nuanced understanding of the experiences of community providers regarding the challenges of ASD care provision in the community. Overall, these findings suggest that LHNs have the potential to address several of the issues in community autism care highlighted by community providers.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».