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 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 | 0,109 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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; 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 ».