What makes primary care effective for people in poverty living with multiple chronic conditions?: study protocol
Notice bibliographique
Résumé
BACKGROUND: The inverse care law persists: people living in poverty have the greatest needs and face considerable challenges in getting the care they need. Evidence reveals that GPs encounter difficulties in delivering care to poor patients, while many of those patients feel stigmatized by healthcare professionals. Patients living in poverty report negative healthcare experiences and unmet healthcare needs. Indeed, there is a growing recognition in primary care research of the importance of addressing the capabilities and social conditions of the poor when delivering care. Few studies have looked at the factors contributing to effective and "socially responsive" care for people living in poverty. METHODS/DESIGN: Our study adopts a qualitative ethnographic approach in four healthcare organizations in deprived areas of metropolitan Montreal (Québec, Canada), using patient shadowing techniques and interviews. Data will be collected through fieldwork observations and informal interviews with patients before and after consultations. We will observe medical consultations, care organization activities, and waiting areas and reception of patients. We will conduct a total of 36 individual interviews with 12 GPs and 24 patients. The interviews will be audio-recorded and transcribed for purposes of analysis. The analysis consists of debriefing sessions, coding and interpretive analysis. DISCUSSION: This study aims to investigate how positive healthcare interactions between physicians and patients can improve the management of chronic conditions. We hypothesize that factors related to care organization, to healthcare professionals' experience and to patients may enhance the quality of healthcare interactions, which may have positive impacts for preventing and managing chronic conditions. Our study will provide a unique set of data grounded in the perspectives of healthcare professionals and of patients living in poverty.
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 | 0,030 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,008 |
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 ».