Real-World Patient-Reported Outcome Measure Implementation: Challenges and Successes of a Pan-Canadian Initiative to Improve the Future of Patient-Centered Cancer Care
Notice bibliographique
Résumé
PURPOSE: Implementation of patient-reported outcome measures (PROMs) in routine care continues to be limited, despite their demonstrated efficacy and substantial investments. We report on the lessons learned and the challenges of the concerted implementation of the same PROMs across teams in nine provinces/territories (jurisdictions) in Canada, as well as the solutions to move implementation forward despite cost containments and the COVID-19 pandemic. METHODS: Each team from nine jurisdictions submitted a final report describing their PROM implementation project. Reports were analyzed for themes on lessons learned, challenges, and solutions. Themes were compared for similarities and differences. The Standards for Quality Improvement Reporting Excellence (SQUIRE) guidelines were used. RESULTS: Six key lessons learned were identified from eight challenges. To address these challenges, 27 solutions were used. The six lessons learned were as follows: Harness the power of change management, ensure consistent stakeholder engagement at all levels for success, establish buy-in as soon as possible, plan to maintain buy-in through changing circumstances, identify ways to make technology the solution, and optimal implementation includes a sustainability plan. Examples of solutions included the following: develop a multipronged, multilevel communication plan; include change management experts on the team; identify champions; restructure and reprioritize as needed; leverage existing technology; and leave a permanent trace of the project. CONCLUSION: To our knowledge, this is the first analysis to synthesize lessons learned from real-world PROM implementation across geographically diverse jurisdictions. We identified generalizable solutions that other health care managers and policymakers can use to accelerate PROM implementation, despite pervasive implementation barriers. Future studies can integrate these solutions with methods and tools from implementation science (eg, theoretical frameworks, implementation strategies) for more successful spread and scale of PROMs.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».