Improving proactive primary healthcare after gestational diabetes: Protocol for implementation and evaluation of a quality improvement collaborative program in general practice (GooD4Mum) and baseline practice characteristics (Preprint)
Notice bibliographique
Résumé
Abstract Background Gestational diabetes mellitus (GDM) is increasingly common, with short- and long-term health risks. Building on the GooD4Mum pilot, which demonstrated quality improvements in general practice for care after GDM, this project implemented and evaluated a primary care Quality Improvement Collaborative (QIC) program to optimize identification, recall, screening, and referral of patients after GDM. Objective This study aimed to assess the effectiveness of QIC activities relative to usual practice for improving general practice clinicians’ provision of follow-up and screening of patients with a history of GDM to ultimately support the onset of type 2 diabetes. Methods A 21-month, prospective non–randomized controlled trial (at practice level) was conducted, matching intervention practices 1:1 with controls. The QIC intervention is compared with care-as-usual in general practice to review implementation, effectiveness, and economic outcomes. For 18 months, the intervention practices engaged with the GooD4Mum QIC program, including education, training, resources, and Plan-Do-Study-Act (PDSA) cycles to implement locally relevant improvement activities. A clinical decision support system aided in the identification, screening, and tracking of patients with a history of GDM. Control practices provided care as usual. Primary outcomes are practice-level proportions of women with recorded type 2 diabetes screening, modifiable cardiometabolic risk factors, and referral to a diabetes prevention program. Secondary outcomes examine changes in care processes, adherence to clinical standards, and fidelity of intervention delivery. Outcome analyses use clinical data derived from practices via automated extraction. Baseline comparisons use t tests or chi-square tests. Primary and secondary outcomes are analyzed by repeated-measures ANOVA and/or cluster-adjusted generalized estimating equations, accounting for practice-level clustering, and sensitivity analyses include a per-protocol approach. Implementation outcomes are assessed through longitudinal qualitative interviews with practice leads, support staff, and stakeholders, guided by the CFIR (Consolidated Framework for Implementation Research) and the RE-AIM (Reach, Effectiveness, Adoption, Implementation and Maintenance) framework. Cost consequence analysis uses clinical activity and practice-reported data. Results The program ran in 9 general practices between April 2024 and September 2025, with data collection until December 2025. Practice characteristics and protocol deviation are summarized. Detailed outcome, cost consequence, and implementation process evaluations will be reported elsewhere. Conclusions The protocol offers a novel quality improvement approach enhanced by clinical decision support and automated data extraction to optimize identification, screening, and provision of lifestyle advice toward reducing type 2 diabetes after GDM. The evaluation is designed to generate actionable insights and a scalable implementation toolkit to improve care after gestational diabetes.
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 | 0,112 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,006 |
| Méta-épidémiologie (sens large) | 0,006 | 0,010 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,010 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,011 |
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 ».