Conectando Pesquisa e Cuidados ao Paciente em Sistemas de Saúde
Investigando Sistemas de Saúde Aprendentes pra melhorar a entrega dos cuidados de saúde.
― 7 min ler
Índice
- Sistemas de Saúde Aprendizes
- Os Desafios dos Sistemas Atuais
- Necessidade de Avaliação Abrangente
- Nossa Iniciativa de Pesquisa
- Entendendo Scans Jurisdicionais
- Framework Teórico
- Processo de Revisão da Literatura
- Discussões Informais
- Determinando Elegibilidade
- Método de Extração de Dados
- Plano de Análise de Dados
- Conhecendo o Público
- Desafios Esperados
- Contribuição para a Área
- Fonte original
O sistema de saúde muitas vezes não consegue conectar as pesquisas mais recentes com o cuidado real dos pacientes. Essa desconexão gera problemas como altos custos, experiências ruins para os pacientes e estresse para os trabalhadores da saúde. Também piora as disparidades de saúde. Para melhorar essa situação, muita gente está focando em criar maneiras de os sistemas de saúde aprenderem com suas experiências e melhorarem com o tempo.
Sistemas de Saúde Aprendizes
Uma abordagem é chamada de Sistemas de Saúde Aprendizes (LHS). Esses sistemas tentam combinar dados em tempo real, tecnologia e as experiências de pacientes e prestadores de serviço. Eles visam encontrar métodos melhores para fornecer cuidados de saúde, aprendendo e melhorando continuamente. Embora algumas regiões estejam tentando construir esses sistemas, muitos são limitados e não abordam adequadamente a Equidade em Saúde.
Os Desafios dos Sistemas Atuais
Muitos LHS existentes não foram claramente detalhados nas pesquisas, o que dificulta compartilhar conhecimento útil e melhores práticas. Em um LHS ideal, os dados sobre os resultados e experiências dos pacientes ajudariam a refinar as estratégias de saúde. No entanto, é frequentemente complicado determinar o que é "cuidado usual" para comparação. Isso gera desafios ao avaliar novos métodos de tratamento, especialmente quando os métodos tradicionais variam bastante entre diferentes ambientes de saúde.
Às vezes, novas intervenções podem levar a resultados inesperados. Por exemplo, aumentar a frequência de interações entre funcionários e pacientes pode levar a mais internações hospitalares em vez de melhores resultados de saúde. Para realmente avaliar o sucesso de novos modelos de saúde, é preciso questionar quem se beneficia, em quais condições e por quê.
Avaliação Abrangente
Necessidade dePara resolver esses problemas, é importante examinar os Sistemas de Saúde Aprendizes existentes ao redor do mundo e descrever suas características, inclusive como eles avaliam seus processos. Essa análise ajudará a compartilhar conhecimento, melhorar práticas e abordar vários fatores que afetam o sucesso desses sistemas.
Nossa Iniciativa de Pesquisa
Nesta pesquisa, planejamos realizar um estudo abrangente sobre LHS internacionais. Vamos identificar e descrever esses sistemas, focando em dois objetivos principais:
- Identificar exemplos internacionais de Sistemas de Saúde Aprendizes e caracterizá-los com base em um framework estabelecido.
- Examinar as características comuns, desafios e suposições que surgem ao comparar novos métodos de saúde com os cuidados tradicionais.
O estudo envolverá uma revisão da literatura existente e discussões informais com indivíduos envolvidos em LHS.
Entendendo Scans Jurisdicionais
Um scan jurisdicional é um método para investigar como os problemas são abordados em diferentes áreas e comparar as forças e fraquezas de várias abordagens. Isso significa olhar para muitos lugares para reunir insights que podem levar a uma melhor tomada de decisões e recomendações de políticas.
Para nosso estudo, vamos coletar informações por meio de uma revisão da literatura e conversas informais para apoiar nossos objetivos. Vamos nos concentrar em estabelecer uma ampla compreensão de LHS para destacar as questões mais importantes.
Framework Teórico
Usaremos um framework específico para ajudar a explicar as características dos Sistemas de Saúde Aprendizes. Esse framework conecta pesquisas e atividades de saúde, focando em melhorar a saúde geral e promover a justiça. Inclui vários componentes que descrevem como diferentes partes do sistema de saúde trabalham juntas.
Esse framework destaca que todas as atividades dentro dos sistemas de saúde aprendizes devem focar na inclusão e acessibilidade, beneficiando principalmente grupos que enfrentam inequidades.
Processo de Revisão da Literatura
Vamos revisar artigos, relatórios e materiais online existentes para coletar informações sobre Sistemas de Saúde Aprendizes. A revisão da literatura se concentrará em identificar sistemas que se descrevem como LHS e coletar o máximo de informações possível sobre suas características e operações.
Para apoiar nossa busca, vamos colaborar com um especialista em informações para desenvolver uma estratégia de busca detalhada. Também vamos entrar em contato com redes profissionais para descobrir fontes adicionais de informação.
Discussões Informais
Além da revisão da literatura, vamos realizar discussões informais com partes interessadas em Sistemas de Saúde Aprendizes existentes. Isso vai nos ajudar a coletar mais informações sobre sistemas que não estão disponíveis em trabalhos publicados e complementar as descobertas da nossa busca na literatura.
Vamos enviar convites para discussões a pessoas-chave envolvidas em LHS e conduzir conversas de 30 a 60 minutos pelo Zoom. Notas detalhadas serão tomadas durante essas discussões, mas nada será gravado, garantindo a privacidade dos participantes.
Determinando Elegibilidade
Para nosso estudo, vamos incluir sistemas que se identificam como Sistemas de Saúde Aprendizes por meio de publicações e discussões. Vamos considerar vários descritores que moldam como os LHS são caracterizados, garantindo que esses sistemas sejam adequadamente descritos para fornecer insights úteis.
Vamos diferenciar entre sistemas que se qualificam sob termos específicos e aqueles que não têm detalhes suficientes sobre suas características.
Método de Extração de Dados
Para nosso primeiro objetivo, vamos detalhar cada Sistema de Saúde Aprendiz identificado com base em características principais, incluindo:
- Funcionalidades chave do sistema
- Como os dados são analisados
- Uso de evidências existentes
- Abordagens para co-design e implementação
- Integração da avaliação e pesquisa
- Práticas de gestão de mudanças
- Compartilhamento de dados e infraestrutura
- Práticas de Compartilhamento de Conhecimento
- Esforços de capacitação
- Considerações sobre equidade em saúde
Informações adicionais, como fontes de financiamento, sistemas de tecnologia usados, anos em operação e as populações atendidas, também serão coletadas quando aplicável.
Análise de Dados
Plano deAo analisar os dados, haverá um processo em duas etapas para abordar nossos principais objetivos de pesquisa. A primeira etapa envolverá caracterizar exemplos internacionais de Sistemas de Saúde Aprendizes e a segunda focará em identificar temas e questões comuns enfrentadas na criação de contrafatuais na pesquisa de Sistemas de Saúde Aprendizes.
Métodos quantitativos e qualitativos serão usados para detalhar com precisão as características dos LHS globalmente. A combinação de dados extraídos e insights de discussões informais ajudará a fornecer uma visão completa.
Conhecendo o Público
Para garantir que as descobertas dessa pesquisa sejam úteis, vamos criar um plano para comunicar nossos resultados de forma eficaz. Esse plano identificará mensagens-chave, públicos-alvo e as melhores maneiras de compartilhar informações. As estratégias incluem organizar um simpósio virtual para interagir com públicos relevantes e garantir que os resultados sejam apropriados para aqueles que usarão as informações.
Desafios Esperados
Esperamos alguns desafios durante essa pesquisa. Primeiro, a busca na literatura pode gerar mais resultados do que o esperado. Para gerenciar isso, vamos trabalhar de perto com o especialista em informações para garantir um equilíbrio entre rigor e praticidade.
Segundo, a falta de descrições detalhadas em algumas publicações de LHS pode dificultar a categorização precisa dos sistemas. Para resolver isso, vamos confiar em discussões informais com líderes de LHS para coletar informações mais completas.
Contribuição para a Área
Essa pesquisa ajudará a mapear e caracterizar Sistemas de Saúde Aprendizes que se autoidentificam em todo o mundo e fornecerá melhores insights sobre como eles definem seus contrafatuais. O conhecimento adquirido criará uma base para uma rede colaborativa de líderes de LHS e destacará oportunidades para melhoria e crescimento.
Usando um framework estabelecido para descrever LHS, podemos ajudar os líderes dos sistemas de saúde a definir metas e benchmarks relevantes. Essa divulgação consistente também facilitará o compartilhamento de conhecimento e colaboração, levando ao aprimoramento do framework e benefícios para quem adota práticas de LHS.
Título: Mapping the landscape: A protocol for a jurisdictional scan of self-identified learning health systems
Resumo: BackgroundThere is a growing movement to implement learning health systems (LHS), in which real-time evidence, informatics, patient-provider partnerships and experiences, and organizational culture are aligned to support improvements in care. However, what constitutes a LHS varies based on context and capacity, hindering standardization, scale-up, and knowledge sharing. Further, LHS often use "usual care" as the benchmark for comparing new approaches to care, but disentangling usual care from multifarious care modalities found across settings is challenging. To advance robust LHS, a comprehensive overview of existing LHS including strengths and opportunities for growth is needed. ObjectivesTo scope and identify international existing LHS to: 1) inform the global landscape of LHS, highlight common strengths, and identify opportunities for growth or improvement; and 2) identify common characteristics, emphases, assumptions, or challenges described in establishing counterfactuals in LHS. MethodsA jurisdictional scan will be conducted according to modified PRISMA guidelines. LHS will be identified through a search of peer-reviewed and grey literature using Ovid Medline, Ebsco CINAHL, Ovid Embase, Clarivate Web of Science, and PubMed Non-Medline databases and the web along with informal discussions with peer LHS experts. Self-identified LHS will be included if they are described in sufficient detail, either in literature or during informal discussions, according to [≥]4 of 10 criteria (core functionalities, analytics, use of evidence, co-design/implementation, evaluation, change management/governance structures, data sharing, knowledge sharing, training/capacity building, equity, sustainability) in an existing framework to characterize LHS. Search results will be screened, extracted, and analyzed to inform two descriptive reviews pertaining to our two main objectives. Data will be extracted according to a pre-specified extraction form and summarized descriptively. ImplicationsThis research will characterize the current landscape of worldwide LHS and provide a foundation for promoting knowledge and resource sharing, identifying next steps for the growth, improvement, and evaluation of LHS.
Autores: Carly Whitmore, S. Vanderhout, M. Bird, A. Giannarakos
Última atualização: 2023-10-27 00:00:00
Idioma: English
Fonte URL: https://www.medrxiv.org/content/10.1101/2023.10.26.23297605
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.10.26.23297605.full.pdf
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.