Using a Learning Health System to Integrate Peer Support in Early Intervention Services for Psychosis in Quebec: Protocol for a Participatory, Mixed‐Methods Study (the <scp>PAIRPEP</scp> Project)
Notice bibliographique
Résumé
INTRODUCTION: Since 2019, SARPEP (Système Apprenant Rapide pour les programmes de Premiers Épisodes Psychotiques), a rapid learning health system (RLHS) for Quebec's Early Intervention for Psychosis Services, operates to bridge the evidence-practice gap across the province. Despite strong stakeholder support and government recommendations, peer support services remained poorly available. To address this gap, since 2023, the PAIRPEP project was co-developed to support and evaluate the implementation of peer support and family peer support. This paper describes the co-designed study protocol, embedded within this RLHS. METHODS: This participatory, mixed-methods study aims to examine the implementation of the PAIRPEP intervention longitudinally over 3 years across 12 Early Intervention Services and its impact on multiple stakeholders. Informed by the Medical Research Council framework for complex interventions, the project includes a co-designed (with multiple stakeholders) multimodal capacity-building program with specific components developed to overcome barriers to integrating peer support and family peer support. Quantitative questionnaires are collected every 4 months from clinicians while youth and families can complete surveys at any convenient time, via QR codes available in clinics, through the RLHS electronic platform. Focus groups are conducted annually over 3 years with eight stakeholder groups. The analysis integrates findings using thematic synthesis and joint displays to assess convergence and divergence across methods and perspectives. RESULTS AND CONCLUSION: This protocol paper outlines the study's co-design, procedures and anticipated contributions. Embedding large-scale innovative intervention implementation (such as peer support) within an RLHS can foster real-time feedback, iterative refinement and inform clinical practice and policies.
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 | 0,091 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,005 |
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 ».