Greening Family Medicine clinic operations and clinical care, <i>where do we start?</i> A scoping review of toolkits and aids
Notice bibliographique
Résumé
BACKGROUND: There is a pressing need for healthcare to respond to the climate crisis. Family physicians, given their central role in community healthcare provision, are strategically placed to lead, support, and promote sustainable healthcare, yet guidance on how to do this is fragmented. OBJECTIVE: To identify and evaluate toolkits and aids on sustainable healthcare to act as a curated resource for family physicians and their care teams interested in delivering evidence-based sustainable healthcare in their clinical practices. METHODS: A scoping review was completed of the published and grey literature across 4 databases and 2 search engines to identify articles and aids/toolkits from 1990 to present. Toolkits were subsequently evaluated for purpose, evidence-base, implementation process, adaptability to family medicine, and outcome measures. RESULTS: The search identified 17,751 articles. Screening resulted in 20 published articles and 11 toolkits. Most articles presented simple checklists to support greening clinic initiatives, 3 studies focussed on partial carbon footprint analyses, and 4 on educational initiatives. Toolkits ranged in sustainability topics and degree of depth covered, and adaptability and outcome measures. None of the resources identified have been formally evaluated for effectiveness. CONCLUSIONS: A range of aids exist to support greening of clinic operations; however, there is a significant gap in the literature for greening clinical care. Two toolkits were found to be comprehensive, one requiring tracking and reporting of sustainability initiatives. This scoping review provides a starting point for motivated family doctors and community clinics to initiate change and support more sustainable healthcare.
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 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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».