Perceived Benefits and Challenges of Coordinated Approaches to Chronic Disease Prevention in State Health Departments
Notice bibliographique
Résumé
INTRODUCTION: Chronic disease prevention efforts have historically been funded categorically according to disease or risk factor. Federal agencies are now progressively starting to fund combined programs to address common risk. The purpose of this study was to inform transitions to coordinated chronic disease prevention by learning views on perceived benefits and challenges of a coordinated approach to funding. METHODS: A national survey on evidence-based public health was conducted from March through May 2013 among state health department employees working in chronic disease prevention (N = 865). Participants were asked to rank the top 3 benefits and top 3 challenges in coordinating chronic disease approaches from provided lists and could provide additional responses. Descriptive analyses, χ(2) tests, and analysis of variance were conducted. RESULTS: The most common perceived benefits of coordinated approaches to chronic disease prevention were improved health outcomes, common risk factors better addressed, and reduced duplication of program efforts. The most common perceived challenges were funding restrictions, such as disease-specific performance measures; competing priorities; lack of communication across programs; funding might be reduced; agency not structured for program coordination; and loss of disease-specific partner support. Rankings of benefits and challenges were similar across states and participant roles; the perceived challenges "lack of communication across programs" (P = .02) and "funding might be reduced" differed by program area (P < .001). CONCLUSION: Findings can be used by funding agencies and state health departments for planning, training, and technical assistance. The information on perceived challenges demonstrates the need to improve communication across programs, enhance organizational support for coordinated approaches, and create benefits for organizational partners.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».