Using Implementation Science to Evaluate the Implementation of Patient-Reported Outcome Measures (PROMs) in a Clinical Heart Failure Care Setting
Notice bibliographique
Résumé
Background Patients with heart failure (HF) can experience poor quality of life, recurring hospitalizations, and progressive disease symptoms. Patient-reported outcome measures (PROMs) include patients' voices in clinical care by assessing patient symptoms, function, and quality of life. In 2022, PROMs were implemented into the electronic health record system (Epic) at a large academic hospital in Toronto, Canada. The purpose of this study was to use implementation science frameworks to systematically evaluate the uptake and integration of PROMs into clinical HF care. Methods The Reach, Effectiveness, Adoption, Implementation, and Maintenance (RE-AIM) framework guided this mixed-methods, 1-year quality-improvement project. Data sources included clinician use of PROMs, patient-level data on completed PROMs, and semistructured interviews with clinicians. The PROM was the Kansas City Cardiomyopathy Questionnaire-12, which captures 4 domains related to HF: symptom frequency, physical limitations, social limitations, and quality of life. Quantitative data were analyzed using descriptive statistics, and qualitative data were analyzed using behaviour-change frameworks and latent content analysis. Results Over the course of 1 year, more patients were assigned to PROMs, a higher proportion of patients completed PROMs, and approximately 60% of patients had high questionnaire scores. Clinicians experience barriers related to attention and decision processes, environmental context, and their professional role, in integrating PROMs into practice. Suggested resources include adding language licenses for PROM translations, reducing cognitive load for clinicians assigning and interpreting PROMs in Epic, and champions modelling PROMs in practice. Conclusions This study demonstrates the benefit of using implementation science frameworks to evaluate the implementation of PROMs in practice and provide actionable recommendations to health systems.
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 | 0,307 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».