Enhancing provider adoption of patient-reported outcome measures (PROMs) through implementation science: insights from two international workshops
Notice bibliographique
Résumé
BACKGROUND: Although the use of patient-reported outcome measures (PROMs) in practice is increasing, successful implementation is contingent on engaging healthcare providers (HCPs). Using Implementation Science (IS), we present the content of two workshops hosted at the International Society for Quality-of-Life annual conferences for individuals seeking to implement PROMs collection and use in their settings. Our goals were to provide workshop participants with knowledge, tools, and resources to prepare HCPs for PROM adoption and to demonstrate tailored strategies to meet context-specific needs. METHODS: An interdisciplinary team with diverse expertise in PROMs implementation delivered two workshops guided by the Capability, Opportunity, Motivation - Behavior (COM-B) model and the Theoretical Domains Framework (TDF). Using dotmocracy, participants were asked to consider, for their local context, the factors most important for changing HCPs' behaviors to adopt PROMs in daily practice. RESULTS: The workshops incorporated IS theories, models, and frameworks (TMFs) to identify barriers faced by HCPs, support behavior change, and apply tailored theory-informed implementation strategies to prepare HCPs for PROM integration and evaluate adoption success. The factors rated the most important by workshop participants (n = 53) were woven into the discussions to illustrate the most common barriers encountered by HCPs adopting PROMs. Presenters drew on real-world practice and research experiences to identify promising implementation strategies, including education, training, behavioral modeling, persuasion, environmental restructuring, enablement, and audit and feedback to increase the capability, opportunity, and motivation of HCPs. CONCLUSIONS: Given the increasing evidence base supporting the role of PROMs in patient-centered care, it is imperative to understand the mechanisms and best practices for increasing provider adoption of PROMs. This work offers a roadmap for understanding determinants more important to HCPs and systematically selecting theory-informed implementation strategies that may increase the likelihood of HCP adoption of PROMs. Offering tailored HCP training/education programs and implementation strategies can prepare HCPs for timely and effective PROM implementation.
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 | 0,052 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».