Exploring the use of digital technology to deliver healthcare services with explicit consideration of health inequalities in UK settings: A scoping review
Notice bibliographique
Résumé
Objective: To map and explore existing evidence on the use of digital technology to deliver healthcare services with explicit consideration of health inequalities in UK settings. Methods: We searched six bibliographic databases, and the National Health Service (NHS) websites of each UK nation (England, Scotland, Wales, Northern Ireland). Restrictions were applied on publication date (2013-2021) and publication language (English). Records were independently screened against eligibility criteria by pairs of reviewers from the team. Articles reporting relevant qualitative and/or quantitative research were included. Data were synthesised narratively. Results: Eleven articles, reporting data from nine interventions, were included. Articles reported findings from quantitative (n = 5), qualitative (n = 5), and mixed-methods (n = 1) studies. Study settings were mainly community based, with only one hospital based. Two interventions targeted service users, and seven interventions targeted healthcare providers. Two studies were explicitly and directly aimed at (and designed for) addressing health inequalities, with the remaining studies addressing them indirectly (e.g. study population can be classed as disadvantaged). Seven articles reported data on implementation outcomes (acceptability, appropriateness, and feasibility) and four articles reported data on effectiveness outcomes, with only one intervention demonstrating cost-effectiveness. Conclusions: It is not yet clear if digital health interventions/services in the UK work for those most at risk of health inequalities. The current evidence base is significantly underdeveloped, and research/intervention efforts have been largely driven by healthcare provider/system needs, rather than those of service users. Digital health interventions can help address health inequalities, but a range of barriers persist, alongside a potential for exacerbation of health inequalities.
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 | 0,024 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,021 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».