CROSS SECTOR COLLABORATION TO ACHIEVE INNOVATION IN MULTIDISCIPLINARY CLINICAL REHABILITATION
Notice bibliographique
Résumé
In Ontario, Canada the hospital and the community sectors are funded separately and opportunities for collaboration are not always explored to their full potential. In 2017, Central West Local Health Integration Network (CWLHIN) Home and Community Care partnered with William Osler Health System (WOHS) to co-design an integrated approach to meet best practice targets for mild stroke patients (Alpha FIM u00ae > 80). Shared funding between the hospital and community sectors was obtained to explore innovative ways of providing community stroke rehabilitation services. A review of stroke best practices and environmental scan of existing community rehabilitation programs was the starting point for this work. Creating a culture of innovation and patient centeredness within the project team and identifying and leveraging the strengths of the involved stakeholders were also critical to this work. A robust evaluation framework was developed to monitor the program. An interdisciplinary cross-sector clinical rehabilitation team was formed. This team had access to hospital records and the opportunity to treat the client in either the home or congregate settings based on patient goals and needs. Service levels provided by the rehabilitation team were aligned with the Canadian Stroke Best Practices. The team received joint orientation and training opportunities to improve stroke knowledge. Problems that arose during the program implementation were addressed during weekly project team meetings. A dedicated rehab coordinator served as a navigator and assisted patients to develop patient centered goals.This approach to planning services facilitated cross sector collaboration and innovation in community stroke rehabilitation.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,017 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».