Implementing a rapid-learning health system in early intervention services for psychosis: qualitative evaluation of its feasibility and acceptability
Notice bibliographique
Résumé
BACKGROUND: Heterogeneity in implementing essential evidence-based early intervention for psychosis services (EIS) components persists despite existing fidelity standards/guidelines in many countries. Rapid-learning health systems (RLHS) may remedy these challenges, improving service delivery through systematic data collection, analysis, feedback and capacity-building activities. SARPEP (Système Apprenant Rapide pour les Programmes de Premiers Épisodes Psychotiques) is the first Canadian RLHS for EIS. This paper presents qualitative findings from the mixed-method study that evaluated the feasibility and acceptability of SARPEP. METHODS: We conducted six focus groups on the implementation of SARPEP with 25 participants from all SARPEP stakeholder groups; most were involved from project inception and throughout the 3-year implementation. The Reach, Effectiveness, Adoption, Implementation, Maintenance (RE-AIM) framework (Glasgow, et al., 2019) and Lessard's dimensions for learning health systems guided data collection and deductive analysis. RESULTS: Reach: focus group participants reflected SARPEP reach and included all stakeholders involved (six service users, two family members, four psychiatrists, six managers, seven team leaders) who shared their experiences. EFFECTIVENESS: participants confirmed that SARPEP improved program capacity for data collection on core indicators and promoted evidence-based practices. Adoption: participants supported the selection of specific indicators and need to improve data-gathering technologies in the RLHS, even while challenges persisted regarding the integration of digital platform use by service users into routine care. Implementation and maintenance: all participants credited the RLHS with enabling mutual learning, self-reflection of programs and shared improvement of practices. CONCLUSIONS: SARPEP contributes to promote evidence-based care and a sense of belonging within the Quebec EIS network.
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 | 0,071 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».