Innovations to the ECHO model to enhance reach and network-building among addiction clinicians in Western Canada
Notice bibliographique
Résumé
BACKGROUND: Building capacity for evidence-based treatment and support for people with substance use disorders (SUD) is an urgent priority in the context of the toxic drug poisoning crisis. We implemented the first substance use-focused Project Extension for Community Healthcare Outcomes (ECHO) in Western Canada for health care providers, to enhance their clinical addiction skills and knowledge, facilitate practice change, and foster a supportive community of practice. The aims of this article are to describe our innovations to the Project ECHO model in British Columbia (BC) and Yukon, and present key program outcomes. METHODS: A pragmatic multi-methods program evaluation employed observational records of BC ECHO on Substance Use session attendance, cross-sectional and longitudinal participant surveys, and qualitative interviews with participants to assess satisfaction, relevance, and preparation to use evidence-based approaches, practice change intentions, and actual behaviours. RESULTS: The 52 ECHO sessions (from June 2019 to July 2022) attracted 2134 unique registrants with 5089 attendances (mean 124/session), 2132 newsletter subscribers, and 5842 podcast downloads. The evaluation included 844 post-session survey respondents and 53 interview participants. The program included ECHO sessions with rolling attendance; widely accessed supplemental formats (e.g., newsletter, podcast, clinical tools, archived presentation recordings); variable, regional hub representation; and evidence-based content developed by medical writers. These features contributed to broad geographic and discipline reach, high-quality program content, and high mean session satisfaction ratings (4.2/5). Key qualitative themes emerged, related to knowledge and skill acquisition, gaining confidence in providing SUD care, facilitating shared decision-making, increasing compassion for patients, consolidating learning and applying it to practice, and reducing isolation through expanded networks. CONCLUSIONS: The ECHO model is an effective way to improve capacity in SUD care for physicians and nurse practitioners, while offering benefits for interprofessional attendees. Our findings can inform innovations in other ECHO programs to enhance reach, engagement, and impact.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».