“A Connected Community”: Evaluating the Use of Project ECHO to Support the Implementation of an Evidence-Based Early Psychosis Care Model
Notice bibliographique
Résumé
Background and Hypothesis: (EPI-SET) is a study evaluating the implementation and impact of NAVIGATE, a manualized model of care for first episode psychosis in geographically diverse EPI programs in Ontario. Project Extension for Community Health Outcomes (ECHO), a virtual training and capacity-building model, was used to support the NAVIGATE implementation for participating programs. We evaluated ECHO EPI-SET in supporting this implementation. Methods: Using Moore's Evaluation Framework for Continuing Education, attendance and biweekly surveys were used to evaluate clinician engagement and satisfaction with ECHO. A self-reported survey was used to assess self-efficacy across core competencies, determine whether ECHO changed their practice, and describe the nature of any changes. Semi-structured interviews focusing on participants' experience with ECHO EPI-SET were analyzed using thematic analysis. Results: A total of 92 participants from 6 EPI sites participated across 3 cycles of ECHO EPI-SET. Mean satisfaction ratings were high (>4/5 on a Likert scale). Participants who worked longer at their sites reported higher rates of self-efficacy. The interviews identified 5 major themes: creating a community of practice; supporting NAVIGATE; change in practice/application; implementation support; and strengths and areas for improvement. Conclusions: This is the first published evaluation of using ECHO in supporting the implementation of a model of EPI care. Participation in ECHO was associated with high levels of clinician satisfaction, engagement, and self-efficacy. Qualitative data suggest that ECHO supported the development of a community of practice, learning, and practice change and may be a helpful tool to support future implementations of NAVIGATE.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».