Applications of geospatial analyses in health research among homeless people: A systematic scoping review of available evidence
Notice bibliographique
Résumé
Abstract Background The coronavirus pandemic visualized the inequality in the community living standards and how housing is a fundamental requirement to ensure a livable environment. However, even before the pandemic, unequal housing access resulted in more than 150 million homeless people worldwide, and more than 22 million new people were added to this inventory for climate-related issues. This homeless population has a counterproductive effect on the social, psychological integration efforts by the community and exposure to other severe health-related issues. Methods We systematically identified and reviewed 24 articles which met all three requirements we set forth-i. samples include homeless people, ii. focused on public health-related issues among the same group of people, and iii. used geospatial analysis tools and techniques in conducting the research. Result Our review findings indicated a major disparity in the geographic distribution of the case study locations-all the articles are from six (6) countries-USA (n = 16), Canada (n = 3), UK (n = 2), and one study each from Brazil, Ireland, and South Africa. Majority of the studies used spatial analysis tools to identify the hotspots, clustering and spatial patterns of patient location and distribution. ArcGIS is the most frequently used GIS application, however, studies also used other statistical applications with spatial analysis capabilities. These studies reported relationship between the location of homeless shelters and substance use, discarded needles, different infectious and non-infectious disease clusters. Conclusion Although, most studies were restricted in analyzing and visualizing the trends, patterns, and disease clusters, geospatial analyses techniques can be used to assess health problems such as disease distributions and associated factors across communities. Moreover, health and services and accessibility concerns could be well addressed by integrating spatial analysis into homelessness-related research. This may facilitate policymaking for health-issues among the homeless people and address health inequities in this vulnerable population.
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 | 0,033 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,037 | 0,036 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».