Frontiers in Public Health

Background: Why Build Causal Pathway Models?

Negli ultimi anni, è stato sempre più riconosciuto l’importanza di attuare pratiche basate sull’evidenza come un modo per migliorare la qualità dell’assistenza sanitaria e della salute pubblica. Tuttavia, i risultati degli sforzi di attuazione sono stati contrastanti. Circa due terzi degli sforzi non riescono a realizzare il cambiamento previsto (2) e quasi la metà non ha alcun effetto sui risultati di interesse (3). Le strategie di attuazione sono spesso inadeguate agli ostacoli (4) e gli sforzi di attuazione sono sempre più complessi e costosi senza un impatto maggiore (5). Questi risultati non ottimali sono dovuti, in gran parte, alla carenza di teoria testata nel campo della scienza dell’implementazione (6). In particolare, il campo ha una comprensione limitata di come funzionano le diverse strategie di implementazione – i meccanismi causali specifici attraverso i quali le strategie di implementazione influenzano l’erogazione delle cure . Di conseguenza, la scienza dell’implementazione è stata limitata nella sua capacità di informare efficacemente le pratiche di implementazione fornendo indicazioni su quando e in quali contesti dovrebbero essere utilizzate strategie di implementazione specifiche e, altrettanto importante, quando non dovrebbero essere utilizzate.

La National Academy of Science definisce “scienza” come “l’uso delle prove per costruire spiegazioni e previsioni verificabili dei fenomeni naturali, così come le conoscenze generate attraverso questo processo.”(8) Il campo dell’implementazione ha trascorso gli ultimi due decenni a costruire e organizzare la conoscenza, ma siamo lontani dall’avere spiegazioni verificabili che ci permettano la capacità di generare previsioni. Per migliorare i risultati degli sforzi di implementazione, il campo ha bisogno di teorie testabili che descrivono i percorsi causali attraverso i quali funzionano le strategie di implementazione (6, 9). A differenza dei framework, che offrono una struttura concettuale di base alla base di un sistema o di un concetto (10), le teorie forniscono un modo testabile di spiegare i fenomeni specificando le relazioni tra le variabili, consentendo così la previsione dei risultati (10, 11).

I modelli di percorso causale rappresentano le interrelazioni tra variabili e risultati di interesse in un dato contesto (cioè i blocchi costitutivi della teoria dell’implementazione). Specificare la struttura delle relazioni causali consente agli scienziati di verificare empiricamente se le strategie di implementazione operano tramite meccanismi teorizzati, in che modo i fattori contestuali moderano i processi causali attraverso i quali operano le strategie di implementazione e quanta varianza nei risultati è rappresentata da tali meccanismi. I risultati degli studi basati su modelli causali possono, nel tempo, aiutare il campo a sviluppare teorie più solide sui processi di implementazione e far progredire la pratica dell’implementazione affrontando questioni chiave. Ad esempio, i modelli causali possono fare quanto segue: (1) informare lo sviluppo di strategie di attuazione migliorate, (2) identificare obiettivi mutevoli per nuove strategie, (3) aumentare l’impatto delle strategie esistenti e (4) dare priorità a quali strategie utilizzare in quali contesti.

In questo pezzo di prospettiva, proponiamo un approccio allo sviluppo della teoria specificando, sotto forma di modelli di percorso causale, ipotesi sul funzionamento causale di diverse strategie di implementazione in vari contesti, in modo che queste ipotesi possano essere testate e perfezionate. In particolare, offriamo un processo in quattro fasi per lo sviluppo di modelli di percorso causale per le strategie di implementazione. A tal fine , sosteniamo che il campo deve andare oltre l’avere liste di variabili che possono essere giustamente considerate determinanti, e verso un’articolazione precisa di mediatori, moderatori, precondizioni e risultati (prossimali rispetto a distali) (vedi Tabella 1 per le definizioni).

Costruire modelli di percorso causale

La nostra prospettiva si basa sulla scienza Agile—13, 14) – un nuovo metodo per lo sviluppo e lo studio di interventi comportamentali che si concentra sulla modularità dell’intervento, sulla modellazione causale e sulle valutazioni efficienti per generare prove empiriche con condizioni al contorno chiare(in termini di popolazione, contesto, comportamento, ecc.) per massimizzare l’accumulo e il riutilizzo della conoscenza. La scienza agile è stata utilizzata per indagare gli interventi di definizione degli obiettivi per l’attività fisica, le strategie di coinvolgimento per le applicazioni sanitarie mobili, gli interventi di depressione per le cure primarie e gli spunti dietetici automatizzati per promuovere la perdita di peso (13, 15). Applicato alle strategie di implementazione, Agile Science-informed causal pathway diagram modeling consiste in almeno quattro passaggi: (1) specificare le strategie di implementazione; (2) generare collegamenti strategia-meccanismo; (3) identificare i risultati prossimali e distali; e (4) articolare moderatori e precondizioni. Per dimostrare questo approccio, offriamo esempi di modelli di percorso causale per un insieme di tre diverse strategie di implementazione (vedi Figura 1). Le strategie sono tratte dal seguente esempio. Un centro di salute mentale della comunità sta pianificando di implementare cure basate sulla misurazione in cui i fornitori sollecitano i dati di esito segnalati dal paziente prima degli incontri clinici per informare il trattamento (17). Il centro di salute mentale della comunità prevede di utilizzare la formazione, la sanzione finanziaria (disincentivi) e l’audit e il feedback in quanto sono strategie comuni utilizzate per supportare l’implementazione dell’assistenza basata sulla misurazione (18).

Fase 1: Specificare le strategie di implementazione

Le raccomandazioni degli esperti per l’implementazione dello studio sul cambiamento hanno prodotto una raccolta di 73 strategie di implementazione (19) sviluppate da un team multidisciplinare attraverso una revisione della letteratura strutturata (20), processo Delphi ed esercizio di mappatura dei concetti (19, 21, 22). Esiste quindi una solida base di strategie concettualmente chiare e ben definite. Tuttavia, la compilazione non è mai stata esplicitamente collegata a meccanismi. A seguito di Kazdin (7), definiamo “meccanismi” come i processi o gli eventi attraverso i quali una strategia di implementazione opera per ottenere i risultati di implementazione desiderati. Dopo un attento esame, sembra che molte strategie non siano sufficientemente ben specificate per essere collegate a meccanismi in modo coerente, un passo chiave nella costruzione di modelli causali. Ad esempio, la compilazione di 73 strategie elenca “learning collaboratives”, un approccio generale per il quale le strategie discrete o i componenti principali sono sottospecificati. Ciò rende difficile identificare i loro meccanismi di azione precisi (23). Le strategie sottospecificate lasciano anche il campo vulnerabile a sintetizzare in modo inappropriato i dati tra gli studi (24, 25).

Nel nostro caso esempio, la formazione è una strategia che è underspecified. Abbiamo adattato le procedure da Michie et al. (26) per orientare le specifiche della strategia raccomandando che ciascuna strategia sia valutata se: (1) mira a promuovere l’adozione, l’implementazione, il sostegno o la scalabilità di una pratica basata sull’evidenza; (2) è un “ingrediente attivo” proposto di adozione, implementazione, sostegno o scalabilità; (3) rappresenta il componente più piccolo pur mantenendo il principio attivo proposto; (4) può essere usato da solo o in combinazione con altre strategie discrete; (5) è osservabile e replicabile; e (6) può avere un impatto misurabile su meccanismi specifici di attuazione (e, in caso affermativo, se i meccanismi putativi possono essere elencati). Se le strategie non soddisfano questi criteri, richiedono una revisione e ulteriori specifiche. Ciò potrebbe comportare il suggerimento di definizioni alternative, l’eliminazione totale di una strategia di implementazione o l’articolazione di una nuova strategia più ristretta che sia un componente o un tipo della strategia originale. La formazione soddisferebbe tutti i criteri tranne il terzo e il sesto (elencati in precedenza), perché la formazione può essere composta da diversi principi attivi (ad esempio, didattica, modellazione, gioco di ruolo/prove, feedback, shadowing) ognuno dei quali può operare su un meccanismo unico. In questo caso, la formazione dovrebbe essere definita in modo più ristretto per chiarire le sue componenti principali.

Fase 2: Generating Strategy-Mechanism Linkages

Una volta specificata, una strategia di implementazione deve essere collegata ai meccanismi ipotizzati alla base del suo funzionamento. I meccanismi spiegano in che modo una strategia di attuazione ha un effetto descrivendo le azioni che portano dalla gestione della strategia ai risultati di attuazione (cfr.Tabella 1 per le definizioni). Statisticamente parlando, i meccanismi sono sempre mediatori, ma i mediatori potrebbero non essere meccanismi. Allo stesso modo, i moderatori possono puntare verso meccanismi ma non sono essi stessi meccanismi affidabili. I determinanti possono spiegare perché una strategia di implementazione ha o non ha avuto un effetto, ma i meccanismi spiegano come una strategia ha avuto un effetto, ad esempio alterando lo stato di un determinante. I determinanti sono fattori naturali e spesso, ma non sempre, malleabili che potrebbero impedire o consentire alla strategia di influenzare i risultati desiderati. I meccanismi sono intenzionalmente attivati dall’applicazione di una strategia di implementazione e possono operare a diversi livelli di analisi, ad esempio a livelli intrapersonali (ad esempio, apprendimento), interpersonali (ad esempio, condivisione), organizzativi (ad esempio, leader), comunità (ad esempio, ristrutturazione) e politica macro (ad esempio, guida) (27). Affinché uno sforzo di attuazione abbia successo, le strategie scelte dovrebbero essere compatibili e in grado di agire sui determinanti locali . Sebbene comunemente usato nella scienza dell’implementazione, proponiamo che la nozione di determinante non sia sufficientemente specifica in quanto i ricercatori l’hanno usata per riferirsi ad almeno due tipi di variabili in un processo causale: risultati prossimali e modificatori di effetti (vedi testo nota 1). La nostra discussione qui sotto utilizza invece questi termini più precisi.

La maggior parte delle strategie di implementazione probabilmente agisce attraverso meccanismi multipli, sebbene rimanga una questione empirica se un meccanismo sia primario e altri siano ausiliari. È anche probabile che lo stesso meccanismo possa essere coinvolto nel funzionamento di più strategie di attuazione. La valutazione iniziale dei collegamenti strategia-meccanismo viene effettuata nel contesto della più ampia base di conoscenze scientifiche sul modo in cui una strategia produce un risultato (7). Ad esempio, molte strategie hanno una propria base di letteratura (ad esempio, audit e feedback) (28) che offrono intuizioni teoriche ed empiriche su quali meccanismi potrebbero essere alla base del funzionamento di tali strategie . Si dovrebbe sempre fare uno sforzo per attingere e testare le teorie esistenti, ma se nessuna offre una guida sufficiente, ipotizzare variabili che possono avere un’influenza causale rimane critica. In questo modo, nel tempo, i collegamenti strategia-meccanismo inizialmente formulati possono essere rivalutati e perfezionati man mano che gli studi iniziano a testarli empiricamente. Mentre tali valutazioni empiriche sono attualmente rare-attraverso due revisioni sistematiche dei meccanismi di implementazione, sono stati identificati solo 31 studi e nessun meccanismo è stato stabilito empiricamente (vedi testo nota 1; 29)—i modelli di percorso causale che proponiamo qui sono esplicitamente destinati a facilitare le valutazioni dei processi meccanicistici attraverso i quali operano le strategie di implementazione.

Fase 3: Identificazione dei risultati prossimali e distali

Implementazione gli scienziati hanno isolato otto risultati come endpoint desiderati degli sforzi di implementazione: accettabilità, fattibilità, adeguatezza, adozione, penetrazione, fedeltà, costo e sostenibilità (1). Molti di questi risultati sono opportunamente interpretati come variabili latenti, ma altri sono di natura manifesta/osservabile (30); una recente revisione sistematica offre misure di questi risultati e misura i metadati (31). In termini di processi causali attraverso i quali operano le strategie di implementazione, questi risultati sono spesso meglio concettualizzati come risultati distali che il processo di implementazione è destinato a raggiungere, e ciascuno di essi può essere più saliente in una fase di implementazione di un altro. Ad esempio, con l’Esplorazione, la preparazione, l’implementazione, il quadro di sostegno (32), l’accettabilità di una pratica basata sull’evidenza può essere più saliente nella fase di esplorazione, mentre la fedeltà può essere l’obiettivo di una fase di implementazione. Nonostante le plausibili interrelazioni temporali tra i risultati, prove crescenti indicano che non tutte le strategie di implementazione influenzano ciascuno dei risultati sopra menzionati (ad esempio, la formazione del workshop può influenzare l’adozione ma non la fedeltà) (33). Per stabilire pienamente la plausibilità di un meccanismo di implementazione e di un percorso causale verificabile, i risultati prossimali devono essere esposti.

I risultati prossimali sono prodotti diretti, misurabili e tipicamente osservabili della strategia di implementazione che si verificano a causa del suo specifico meccanismo d’azione. Cioè, influenzare un risultato prossimale nella direzione prevista può confermare/disconfermare l’attivazione del meccanismo putativo, offrendo un modo di inferenza bassa per stabilire prove per un meccanismo teorizzato. Molto spesso, i meccanismi stessi non possono essere misurati direttamente, costringendo (o valutazione ad alta inferenza o) affidamento sull’osservazione del cambiamento in un risultato prossimale di interesse. Ad esempio, l’educazione didattica, come ingrediente attivo della formazione, agisce principalmente attraverso il meccanismo di apprendimento sul risultato prossimale della conoscenza per influenzare il risultato di implementazione distale dell’accettabilità percepita o persino dell’adozione. La pratica con feedback agisce attraverso il meccanismo di riflessione sui risultati prossimali delle abilità e della fiducia per influenzare l’esito dell’implementazione distale dell’adozione o persino della fedeltà. Per identificare i risultati prossimali, si deve rispondere alla domanda: “Come faccio a sapere se questa strategia di implementazione ha avuto un effetto tramite il meccanismo che penso che stia attivando?”o” Cosa sarà diverso se i meccanismi ipotizzati per questa strategia è in gioco?”È molto comune che i meccanismi e i risultati prossimali siano fusi in letteratura dato che i ricercatori spesso testano modelli di mediazione esaminando l’impatto di una strategia su un risultato di implementazione distale attraverso un risultato più prossimale. Il modo in cui stiamo usando i termini, un meccanismo è un processo attraverso il quale opera una strategia di implementazione, e un risultato prossimale è un effetto misurabile di quel processo che è nel percorso causale verso i risultati di implementazione distale.

Passaggio 4: Articolazione dei modificatori di effetti

Infine, ci sono due tipi di modificatori di effetti che sono importanti per articolare, entrambi i quali possono verificarsi su più livelli di analisi: moderatori e precondizioni. I moderatori sono fattori che aumentano o diminuiscono il livello di influenza di una strategia di implementazione su un risultato. Vedi Figura 1 in cui un esempio per i moderatori intra-individuali e a livello organizzativo per audit e feedback sono articolati. Teoricamente, i moderatori sono fattori che interagiscono con il meccanismo d’azione di una strategia, anche se esattamente come interagiscono meccanicamente non sono compresi. Le condizioni preliminari sono fattori necessari per l’attivazione di un meccanismo di attuazione (cfr. Figura 1). Sono condizioni necessarie che devono essere in atto per il processo causale che porta da una strategia di implementazione ai suoi risultati prossimali e distali. Sia i moderatori che le precondizioni sono spesso mischaracterized come “determinanti” nella base della letteratura scientifica di implementazione, che può limitare la nostra capacità di comprendere la natura delle relazioni tra una strategia e i fattori individuali e contestuali che modificano i suoi effetti e, a sua volta, dove, quando e perché le strategie hanno un effetto sui risultati di interesse.

Direzioni future: Ciò che il Campo di applicazione Deve essere Pienamente affermarsi come Scienza

per affermarsi come scienza, offrendo testabile spiegazioni e consentendo la generazione di previsioni, offriamo quattro passaggi critici per il campo di applicazione: (1) specificare le strategie di attuazione; (2) generare la strategia di attuazione del meccanismo di collegamenti; (3) identificare prossimale e distale risultati; e (4) articolare i modificatori di effetti. Oltre a questi passaggi, suggeriamo che la ricerca futura dovrebbe sforzarsi di generare termini precisi per i fattori implicati nei processi di implementazione e utilizzarli in modo coerente tra gli studi. In una revisione sistematica dei meccanismi di attuazione, i ricercatori hanno confluito precondizioni, predittori, moderatori, mediatori e risultati prossimali (vedere la nota 1 del testo). Inoltre, vi è spazio per il campo per sviluppare linee guida per la selezione di progetti di ricerca e piani di studio che tengono conto dei vincoli pratici dei contesti in cui viene studiata l’implementazione e consentono la valutazione del meccanismo. I tipi di modelli di percorso causale che abbiamo sostenuto qui, in coppia con una comprensione dei vincoli di un particolare sito di studio, consentirebbero ai ricercatori di selezionare metodi e disegni appropriati per valutare le relazioni ipotizzate considerando attentamente le dinamiche temporali come la frequenza con cui un meccanismo dovrebbe essere misurato e quanto il risultato dovrebbe cambiare e quando.

Al fine di avanzare veramente il campo, molto lavoro deve essere fatto per identificare o sviluppare misure psicometricamente forti e pragmatiche dei meccanismi di attuazione. La valutazione empirica dei modelli di percorso causale richiede misure psicometricamente forti di meccanismi che sono anche pragmatici, tuttavia nessuna delle sette revisioni pubblicate delle misure rilevanti per l’attuazione si concentra sui meccanismi. È probabile che lo sviluppo delle misure sarà necessario per far avanzare il campo. Infine, la scienza dell’implementazione potrebbe trarre vantaggio dalla costruzione di una più solida cura delle prove per il trasferimento e l’uso delle conoscenze. Altri campi ospitano database basati sul Web per raccogliere, organizzare e sintetizzare risultati empirici . In tal modo, i campi possono accumulare conoscenze più rapidamente e gli utenti della conoscenza possono determinare cosa funziona, quando e perché, così come cosa generalizza e cosa no. Tale cura delle prove può portare in modo più efficiente allo sviluppo di strategie di implementazione migliorate (ad esempio, attraverso la specifica della strategia), l’identificazione di obiettivi mutabili per nuove strategie (ad esempio, meccanismi rivelati per strategie esistenti che potrebbero non essere pragmatiche) e la priorità dell’uso della strategia per un dato contesto (ad esempio, data la conoscenza delle precondizioni e dei moderatori).

Contributi degli autori

CL e PK sono co-primi autori, che hanno co-guidato lo sviluppo dei manoscritti. CL e BW sono co-PI su una proposta R01 che ha portato alla nascita di questo manoscritto. Tutti gli autori (CL, PK, BP, AL, LT, SJ, CW-B e BW) hanno contribuito allo sviluppo dell’idea, alla scrittura e alla modifica di questo manoscritto e hanno concordato con il suo contenuto.

Dichiarazione sul conflitto di interessi

Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che potrebbero essere interpretate come un potenziale conflitto di interessi.

Il revisore TW ha dichiarato una passata co-paternità con uno degli autori BP all’editor di gestione.

Riconoscimenti

BP vorrebbe riconoscere i finanziamenti dell’Istituto Nazionale di Salute Mentale (K01MH113806).

Nota in calce