Assessing healthcare organisations’ readiness to implement a learning health system: protocol for questionnaire validation using a Delphi method
Notice bibliographique
Résumé
INTRODUCTION: In the health sciences, it can take up to 17 years for 14% of research findings to be adopted in clinical practice. Adopting a learning health system (LHS) approach may help accelerate the transition of medicoadministrative and clinical data to knowledge, knowledge to performance and performance to data. However, little is currently known about whether healthcare organisations are both willing and able to adopt such an innovation. Therefore, the aim of this study is to generate validity evidence in support of a measure assessing healthcare organisations' readiness to implement an LHS approach. METHODS AND ANALYSIS: A three-round Delphi method will be used to establish consensus on the relevance, clarity and comprehensiveness of the LHS readiness questionnaire's domains, subdomains and items. The questionnaire has been developed based on a review of the literature. Participants with expertise in LHS across Canada and internationally will be purposively recruited using a modified Dillman approach, with opportunities for additional snowball sampling. Descriptive statistics will be calculated from all closed-ended Delphi survey responses. A conventional content analysis will be conducted on all open-ended responses. ETHICS AND DISSEMINATION: Ethical approval has been obtained from the McGill University Faculty of Medicine and Health Sciences Institutional Review Board (AO3-E23-24B). The findings of this study will be disseminated in peer-reviewed publications, academic conferences, knowledge mobilisation workshops and through policy briefs and position papers.
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 | 0,018 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».