Virtual Goals of Care Consultation for Advanced Frailty: a Qualitative Implementation Study Providing Insights from the Pandemic
Notice bibliographique
Résumé
Background: During the COVID-19 pandemic, long-term care (LTC) facilities faced challenges in establishing appropriate goals of care (GoC) for residents during health crises. To address this, a virtual specialist consultation program was implemented to align care interventions with residents' frailty and expected outcomes. Methods: We explored barriers and enablers to the implementation and sustainability of the program using structured interviews (n=20) with LTC leadership, health-care staff, and members of the program. Data were coded according to the constructs of the Consolidated Framework for Implementation Research (CFIR) using thematic analysis. Results: Participants described how the program improved care and reduced unnecessary transfers. Implementation was enabled by a high degree of tension for change, relative priority, relative advantage, and the team's shared mental model of frailty-care. Inconsistencies in GoC approaches and information silos between LTC and acute-care challenged implementation. Sustainability was hindered by decreased pandemic urgency, resulting in reallocation of resources to usual care. The need for a specialized GoC service in LTC became less obvious outside of a crisis. Conclusions: This implementation study provides important insights for future spread and scale of embedding virtual specialist consultation services into LTC. The findings underscore the importance of collegial relationships and shared care philosophies to effectively implement frailty-informed care initiatives during crises. However, sustaining cross-sectoral GoC services may be challenging amidst evolving workloads and prevailing cultural perceptions of end-of-life care needs.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».