Using an implementation science approach to enhance advance care planning practice: a community case study
Notice bibliographique
Résumé
The process of advance care planning (ACP) can educate and prepare patients and caregivers to make better in-the-moment end of life decisions. Two nationwide studies on ACP implementation in Singapore identified gaps and barriers across various ACP practice settings, contributing to low ACP up-take and completion rates. This case study describes the key steps on how stakeholders were engaged and supported development of a quality practice guideline for ACP implementation. A knowledge exchange platform was convened through a multi-level partnership to form a workgroup tasked to translate evidence and develop quality ACP practice guidelines. Key knowledge users such as ACP implementers were engaged throughout the Knowledge-to-Action (KTA) action-cycle phase completing various associated tasks, including an e-survey conducted to prioritize barriers identified from the nationwide studies and other relevant evaluations. Prioritized barriers and their mapped Theoretical Domains Framework (TDF) were linked with relevant intervention functions and their associated implementation strategies, then contextualized into potential local applications by the workgroup. The implementation strategies were grouped into broader categories that formed domains in the practice guideline. The last action phase was engagement with ACP teams across various organizations to conduct pilot studies using implementation strategies that would facilitate quality implementation of ACP. Our quality guideline development process was supported by the KTA model that is iterative in nature with action-phases operationalized through a multi-level partnership. This is a novel approach to formulate a national quality practice guideline with lessons learned that could be applied to others pursuing similar endeavors.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 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 ».