Las redes sociales en la estrategia de implementación de evidencias en la práctica clínica: experiencia del Hospital Regional Universitario de Málaga, España
Bibliographic record
Abstract
Introducción. Twitter se ha convertido en el foro favorito para la comunicación de la atención médica, en cuanto permite a los usuarios publicar y compartir mensajes fácilmente a sus seguidores. En el Hospital Regional Universitario de Málaga (HRUM) se ha recurrido al uso de las redes sociales, particularmente Twitter, para facilitar la implementación y difusión de las recomendaciones de las Guías de Buenas Prácticas (GBP) de la Registered Nurses Association of Ontario (RNAO) en la práctica clínica. El objetivo del presente artículo es describir la estrategia y reflexionar acerca del rol de las redes sociales en las estrategias y los resultados de implantación de recomendaciones de GBP de la RNAO. Temas de reflexión. Siguiendo la metodología del modelo Best Practice Spotlight Organization (BPSO), se ha otorgado un papel protagonista a las enfermeras asistenciales de cada unidad a través de la formación, creación de equipos de implantación y difusión del programa. El uso de nuevos registros y, sobre todo, el uso de las redes sociales, ha obtenido unos resultados excelentes de adherencia de los profesionales al programa tanto a nivel cuantitativo como cualitativo. Conclusiones. El uso de las redes sociales como estrategia de difusión en la implantación de las recomendaciones de las GBP de la RNAO ha conseguido muy buena acogida por parte de los profesionales, pues muestra un alto nivel de participación, y es una herramienta útil como estrategia de difusión. Se necesita más tiempo para monitorizar el uso de las redes sociales y su posible impacto en la implantación de evidencias y la mejora de los resultados de salud de los pacientes y organizaciones de salud.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.032 | 0.047 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.012 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".