Strategies for working across Canadian practice-based research and learning networks (PBRLNs) in primary care: focus on frailty
Notice bibliographique
Résumé
Background Practice based research and learning networks (PBRLNs) are groups of learning communities that focus on improving delivery and quality of care. Accurate data from primary care electronic medical records (EMRs) is crucial in forming the backbone for PBRLNs. The purpose of this work is to: (1) report on descriptive findings from recent frailty work, (2) describe strategies for working across PBRLNs in primary care, and (3) provide lessons learned for engaging PBRLNs. Methods We carried out a participatory based descriptive study that engaged five different PBRLNs. We collected Clinical Frailty Scale scores from a sample of participating physicians within each PBRLN. Descriptive statistics were used to analyze frailty scores and patients’ associated risk factors and demographics. We used the Consolidated Framework for Implementation Research to inform thematic analysis of qualitative data (meeting minutes, notes, and conversations with co-investigators of each network) in recognizing challenges of working across networks. Results One hundred nine physicians participated in collecting CFS scores across the five provinces (n = 5466). Percentages of frail (11-17%) and not frail (82-91%) patients were similar in all networks, except Ontario who had a higher percentage of frail patients (25%). The majority of frail patients were female (65%) and had a significantly higher prevalence of hypertension, dementia, and depression. Frail patients had more prescribed medications and numbers of healthcare encounters. There were several noteworthy challenges experienced throughout the research process related to differences across provinces in the areas of: numbers of stakeholders/staff involved and thus levels of burden, recruitment strategies, data collection strategies, enhancing engagement, and timelines. Discussion Lessons learned throughout this multi-jurisdictional work included: the need for continuity in ethics, regular team meetings, enhancing levels of engagement with stakeholders, the need for structural support and recognizing differences in data sharing across provinces. Conclusion The differences noted across CPCSSN networks in our frailty study highlight the challenges of multi-jurisdictional work across provinces and the need for consistent and collaborative healthcare planning efforts.
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 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».