Pré-implémentation d’indicateurs de fragilité et de complexité dans les soins à domicile : une analyse à l’aide de l’Implementation Research Logic Model
Bibliographic record
Abstract
Introduction : Des indicateurs cliniques de fragilité et de complexité des situations de soins à domicile sont dérivés de l’interRAI HC, mais leur implémentation dans la pratique demande une analyse précise et préalable du contexte de soins dans lequel ils pourraient être utilisés. L’Implementation Research Logic Model (IRLM) est un cadre de référence mobilisable pour l’ensemble du processus d’implémentation notamment pour la pré-implémentation, une étape indispensable, bien que souvent négligée. Objectif : Cet article vise à présenter une démarche d’application du modèle IRLM qui précise les éléments clés (déterminants, stratégies, mécanismes et retombées) de l’étape de pré-implémentation. Démarche : L’implémentation prend place à l’institution genevoise de maintien à domicile (imad) en Suisse. Les données recueillies (ex. caractéristiques de l’institution, questionnaire auprès des infirmières) sont classées dans l’IRLM par un groupe de travail. Évaluation : L’analyse des éléments de pré-implémentation pointe les déterminants contextuels pouvant favoriser l’implémentation (ex. disponibilité des indicateurs cliniques et protocoles de prise en soins) ou la freiner (ex. multiplicité des informations). Par ailleurs, les stratégies mises en place et les retombées recueillies à ce stade (ex. intégration des indicateurs dans le dossier du patient, peu de résistance au changement) sont décrites. Discussion et conclusion : L’anticipation et l’analyse des conditions dans lesquelles prend place l’implémentation dès la phase de pré-implémentation permettent de recueillir des informations essentielles sur des recommandations d’adaptation des actions aux contextes spécifiques et aux réalités concrètes. La mise en place de stratégies étape par étape devrait contribuer à relever le défi du transfert de nouvelles connaissances à la pratique clinique contextualisée.
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 | 0.019 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".