Implementation science in nutrition practice: A review of the Consolidated Framework for Implementation Research
Notice bibliographique
Résumé
Many nutrition interventions and innovations are supported by strong evidence; however, their adoption, implementation, and long-term sustainability in real-world healthcare settings too frequently remain a challenge. Implementation science offers methodologies to equip practitioners with tools to identify and address the contextual factors that influence implementation success in health settings (e.g., adoption, implementation, sustainability). Among the various frameworks and theories used in implementation science, the Consolidated Framework of Implementation Research (CFIR) is one of the most widely used. The CFIR synthesizes constructs from multiple behavioral and implementation theories into a comprehensive tool that can be used to systematically assess the barriers and facilitators that influence implementation outcomes. The framework enables practitioners and researchers to identify context-specific implementation determinants and to design tailored implementation strategies across diverse contexts and settings. Given its adaptability, the CFIR is highly relevant to the field of nutrition and dietetics to support sustained adoption and delivery of nutrition innovations (e.g., screening tools, educational programs, quality improvement initiatives); but it is relatively underutilized in nutrition practice. This article provides an overview of the CFIR and illustrates how it can be used to guide the implementation of nutrition innovations in clinical practice through two pragmatic case studies. We highlight the potential of the CFIR to be used as a guiding framework to advance the adoption, implementation, and sustainability of nutrition innovations and improve nutrition care and patient outcomes.
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 | 0,101 | 0,260 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».