Designing an intervention for women with systemic lupus erythematosus from medically underserved areas to improve care: a qualitative study
Notice bibliographique
Résumé
OBJECTIVE: Systemic lupus erythematosus (lupus) disproportionately affects women, racial/ethnic minorities and low-income populations. We held focus groups for women from medically underserved communities to discuss interventions to improve care. METHODS: From our Lupus Registry, we invited 282 women, ≥18 years, residing in urban, medically underserved areas. Hospital-based clinics and support groups also recruited participants. Women were randomly assigned to three focus groups. Seventy-five-minute sessions were recorded, transcribed and coded thematically using interpretative phenomenologic analysis and single counting methods. We categorized interventions by benefits, limitations, target populations and implementation questions. RESULTS: Twenty-nine women with lupus participated in three focus groups, (n = 9, 9, 11). 80% were African American and 83% were from medically underserved zip codes. Themes included the desire for lupus education, isolation at the time of diagnosis, emotional and physical barriers to care, and the need for assistance navigating the healthcare system. Twenty of 29 participants (69%) favored a peer support intervention; 17 (59%) also supported a lupus health passport. Newly diagnosed women were optimal intervention targets. Improvements in quality of life and mental health were proposed outcome measures. CONCLUSION: Women with lupus from medically underserved areas have unique needs best addressed with an intervention designed through collaboration between community members and researchers.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».