Improving virtual cancer care for older Black adults: A qualitative study
Notice bibliographique
Résumé
Abstract Background Health systems are rapidly promoting virtual cancer care models to improve cancer care of their populations. However, virtual cancer care can exacerbate inequities in cancer care for socially disadvantaged communities. Older Black cancer patients may face unique challenges to accessing and using virtual cancer care. This study focused on understanding the virtual cancer care experience of older Black patients, their caregivers and healthcare providers to identify strategies that can better support patient-centered care. Methods A theory-informed thematic analysis was conducted using data collected from six focus groups (N = 55 participants) conducted across ten Canadian provinces. Data was coded using the Patient Centered Care model and the synergies of oppression framework guided interpretation. Results Five overarching themes describe the experience of older Black patients, caregivers and healthcare providers in accessing and using virtual cancer care: Patient at the intersection of multiple systems of oppression; Shifting role of caregivers; Giving choice and choosing based on the purpose of care; Opportunity to meet health care needs through digital access; Communicating effectively through virtual care. We identified eight barriers to optimal virtual cancer care such as limited digital literacy, linguistic barriers in traditional African/Caribbean languages, and culturally mediated views of patients; and six facilitators to optimal virtual cancer care such as community-based cancer support groups, caregivers support and key features of digital technologies. Conclusions A multipronged approach that focuses on addressing barriers and leveraging culturally sensitive guides to virtual care can form the basis of health system efforts to improve access to virtual cancer care. A redesign of virtual cancer care programs, tailored to the needs of marginalized social groups like older Black patients can enhance the virtual care experience for all population groups. Public policies and organizational practices that address issues like availability of internet in remote areas, resources to support linguistic barriers or culturally sensitive training are important in responding to the complexity of access to virtual cancer care.
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 | 0,014 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».