Establishing a Deep End GP group: a scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 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 découle