Lessons in complexity learned during a Canadian virtual pragmatic trial for prostate cancer survivorship
Notice bibliographique
Résumé
Background: Widespread adoption of digital health innovations (DHI) is often plagued with barriers to successful implementation. We share our experiences piloting and implementing our DHI, the Ned Clinic (Ned for “no evidence of disease”), to support prostate cancer survivors.Methods: We applied the non-adoption, abandonment, scale-up, spread and sustainability complexity assessment tool (NASSS-CAT) to outline implementation complexities at four cancer centres across Canada. We uncovered underlying factors that contribute to or explain implementation.Results: Factors identified included: service interruptions, costing structure, user experience (acceptability); patient referral, overscheduling, incentivization, timing (appropriateness); competing institutional changes, misaligned value proposition, and requisite digital literacy (adoption). Solutions and changes made that carried into the trial included agile development, shifting responsibilities (e.g. tech support, clinic-personalized recruitment strategies), increasing in-person socialization of Ned Clinics after COVID-19 lockdowns, and enhanced documentation.Discussion: Implementing new and complex interventions in a complex adaptive system requires an element of trial and error to find what works best. Adaptations between the pilot and trial can compensate for complexity. Ongoing multidisciplinary stakeholder engagement was crucial for project success especially as complexities arose.Conclusion: Our approach has informed how agile adaptations can improve target implementation outcomes and may be transferable to other DHI contexts.
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 | 0,242 | 0,320 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».