Toward Data-Informed Care in Long-Term Care: Qualitative Analysis
Notice bibliographique
Résumé
Background: In long-term care (LTC) for older adults, data on client, employee, and organization levels are collected in various ways, covering quality of care, life, and work. There is, however, a lack of understanding of how to introduce data-informed care in LTC and thus create value from data. Objective: This study aims to investigate the experiences and perceptions of various stakeholders in LTC regarding data and data-informed care. Methods: A qualitative study using the World Café cocreation technique was conducted with a diverse group of LTC stakeholders. Four questions were addressed: (1) What thoughts do you have when you hear the term "data" in relation to LTC? (2) What purposes do data have (in the future) in LTC? (3) What knowledge and skills are needed to enable data-informed care? (4) How can data contribute to and improve multidisciplinary learning? Stakeholders' notes and the plenary summary were analyzed using conventional content analysis. Results: Stakeholders included nurses, members of client councils, data specialists, researchers, and managers (N=20; mean age 50, SD 13 years). Five themes were identified: (1) despite uncertainty, the benefits of using data outweigh the associated risks; (2) the lack of accessibility and uniformity hinders integrating data-informed care; (3) human resources and finance departments pioneer data usage; however, potential lies in clinical decision-making; (4) data-informed care demands individual, collective, and organizational prerequisites; and (5) multidisciplinary collaboration enriches collective knowledge regarding data. Conclusions: Introducing data-informed care requires enhancing data literacy of health care professionals, establishing clear communication about the role of data within the organization, and introducing new job positions, such as data scientists. Data-informed care was considered a multidisciplinary approach in which data have a supportive role to enhance collective understanding and are considered crucial for improving quality of care. .
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 | 0,051 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».