Using community-based participatory research in improving the management of hypertension in communities: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Hypertension (HT) is a key contributor to cardiovascular diseases (CVDs). The improved management of HT in the community and primary care settings should be a priority for low- and middle-income countries (LMICs). Improving the prevention and management of HT in primary care settings should also be a priority for developing countries. There is a need for more studies using community-based approaches that show the impact of these programmes on HT outcomes, which may motivate policymakers to invest in such approaches. The ward-based outreach team or village healthcare worker models were meant to provide such approaches, but many of these have become lower levels of curative care. We conducted a scoping review to examine how community-based participatory research (CBPR) was being used to improve HT management. METHODS: Several electronic databases were searched, namely PubMed, MEDLINE, Google Scholar and Web of Science, generating 798 references. The publications were screened through several rounds. Data were extracted and imported into a Microsoft Excel spreadsheet, numerically summarised and qualitatively analysed. RESULTS: Nine articles were included. These publications originated from the United States, Colombia, Canada, China, South Africa and Zimbabwe. Mixed methods, qualitative, randomised control trials and quasi-experimental studies were used to implement CBPR in the studies included. All the studies addressed complex health problems and inequities among the minorities utilising multiple stakeholder participation. Academic-community coalitions were formed, which enabled engagement and sharing of power equitably. As a result, there was acceptability and sustainability of interventions. CONCLUSION: A CBPR framework can be used to define the context, group dynamics, implementation and outcomes of HT. It is possible to apply CBPR in HT management to appropriately address health disparities while emphasising a community-driven approach. To achieve this, tailored health education platforms should be developed and implemented.
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 | 0,070 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,020 | 0,022 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».