Establishing a Deep End GP group: a scoping review
Notice bibliographique
Résumé
BACKGROUND: GPs working in deprived areas, where all-cause mortality rates are higher compared to less deprived areas, face unique challenges. Despite 50 years passing since Tudor Hart's seminal 'inverse care law' paper, the health inequities gap remains wide. Deep End GP groups are frontline GP-led initiatives working to close this gap and improve the health and lives of those most in need. AIM: To use scoping methodology to map out the process of creating a Deep End GP group. DESIGN & SETTING: A scoping review using Arksey and O'Malley's framework. METHOD: MEDLINE, Embase, Web of Science, and CINAHL databases, as well as non-peer reviewed publications, were searched and articles extracted, reviewed, and analysed according to iterative inclusion criteria. RESULTS: From an initial search number of 35 articles, 16 articles were included in the final analysis. Key steps in starting a Deep End GP group were: quantifying patients and practices in areas of deprivation; establishing GP-led objectives at an initial meeting; regular steering group meetings with close collaboration between academic and frontline general practice, as well as the wider multidisciplinary team; and adopting a local Deep End logo. CONCLUSION: Deep End GP groups have made advances to reduce health impacts of systemic health inequities. Starting a Deep End GP group involves a multidisciplinary approach, beginning with the identification of patients and practices in areas of highest need. The findings and key themes identified in this scoping review will guide interested parties to start the journey to do the same in their locality and to join the Deep End movement.
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 | 0,087 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,049 | 0,047 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».