Inductive content analysis (ICA), or qualitative content analysis, is a method of qualitative data analysis well-suited to use in health-related research, particularly in relatively small-scale, non-complex research done by health professionals undertaking research-focused degree courses. For those new to qualitative research, the methodological literature on ICA can be difficult to navigate, as it employs a wide variety of terminology and gives a number of different descriptions of when and how to carry it out.In this article, we describe in plain language what ICA is, highlight how it differs from deductive content analysis and thematic analysis, and discuss the key aspects to consider when making decisions about employing ICA in qualitative research. Using a study investigating practices and views around genetic testing in children as an example, we provide a clear step-by-step account of analysing text using ICA. Clear guidance on ICA will be useful for beginning researchers, especially those more familiar with quantitative biomedical and behavioural research, and for their academic and professional supervisors.

Reanalyzing stored genomic data over time is highly effective in increasing diagnostic yield in rare disease. Automation holds the promise of delivering the benefits of reanalysis at scale. Our study aimed to understand current reanalysis practices among Australian clinical and laboratory genetics services and explore attitudes towards large-scale automated re-analysis. We collected audit data regarding testing and reanalysis volumes, policies and procedures from all Australian diagnostic laboratories providing rare disease genomic testing. A genetic health professionals' survey explored current practices, barriers to reanalysis, preferences and attitudes towards automation. Between 2018 and 2021, Australian diagnostic laboratories performed over 25,000 new genomic tests and 950 reanalyses, predominantly in response to clinician requests. Laboratory and clinical genetic health professionals (N = 134) identified workforce capacity as the principal barrier to reanalysis. No specific laboratory or clinical guidelines for genomic data reanalysis or policies were identified nationally. Perceptions of acceptability and feasibility of automating reanalysis were positive, with professionals emphasizing clinical and workflow benefits. In conclusion, there is a large and rapidly growing unmet need for reanalysis of existing genomic data. Beyond developing scalable automated reanalysis pipelines, leadership and policy are needed to successfully transform service delivery models and maximize clinical benefit.

Abstract Newborn screening (NBS) programmes are highly successful, trusted, public health interventions. Genomic sequencing offers the opportunity to increase the benefits of NBS by screening infants for a greater number and variety of childhood-onset conditions. This study aimed to describe who needs to do what, when, and for whom to deliver genomic newborn screening (gNBS) and capture perceived implementation barriers and enablers. ‘Key informants’ (individuals involved in the delivery of NBS) were interviewed. The Actor, Action, Context, Time and Target framework guided data collection and analysis. Participants ( N = 20) identified new Actions required to deliver gNBS (educating healthcare providers, longitudinal psychosocial support), NBS Actions needing modification (obtaining consent) and NBS Actions that could be adopted for gNBS (prompt referral pathways). Obtaining consent in a prenatal Context was a source of some disagreement. The Time to disclose high chance results was raised as a key consideration in gNBS programme design. Genetic counsellors were identified as key Actors in results management, but workforce limitations may be a barrier. Online decision support tools were an enabler to offering gNBS. The implementation of gNBS will require behaviour changes from HCPs delivering NBS. Findings can inform how to deliver gNBS at population-scale.