Collecting social determinants data in Canadian primary care clinics: Lessons from the SPARK Implementation Study
Notice bibliographique
Résumé
Context: The routine and systematic collection of demographic and social needs data remains uncommon in primary care clinics across Canada. Such data can create a foundation to integrate social interventions into clinical care, to identify health inequities, and to reorient health organizations to address the “upstream” factors that result in illness, disability and death seen “downstream”. Objective: To report on findings from a national mixed-methods study of implementing a tool for routinely collecting patients’ demographic and social needs data in primary care. Study Design and Analysis: We conducted a mixed methods implementation evaluation over a 6-month period. Setting: Researchers across Manitoba, Saskatchewan, Ontario, Nova Scotia and Newfoundland implemented the SPARK Tool in five primary care clinics. Instrument: The SPARK Tool includes questions about demographics (e.g. race, gender identity) and social needs (e.g. income, housing). Dataset: Data include SPARK Tool patient responses (n=>2500), patient and clerical staff feedback surveys, interviews with patients (n=~50) and clinic staff (n=~30), focus groups (n=~10) and implementation surveys (n=~40) with clinic leaders, providers, and clerical staff. Population Studied: Patients, clerical staff, and providers in primary care clinics using the SPARK Tool. Outcome Measures: Implementation outcomes such as number of surveys completed/declined and number of surveys completed on tablets in-clinic or online using an emailed survey link. Results: SPARK Tool completion rates were approximately 50%. Smaller clinics had a higher proportion of responses from tablets in-clinic compared to larger clinics, where most responses were completed using an emailed survey link. Patients, providers, clerical staff, and clinic leadership perceived the SPARK Tool to be acceptable for routine demographic and social needs data collection. A challenge was a lack of provider and staff time to explain the tool to patients. Patients and providers shared concerns about having sensitive social data in patients’ medical records. A benefit of implementation included providers learning about previously unknown social needs of some patients. Conclusions: The results highlight challenges and benefits of using a demographic and social needs data collection tool in primary care across Canada. These will guide efforts to scale up this data collection in Canadian primary care and beyond.
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 | 0,142 | 0,167 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,012 |
| Études des sciences et des technologies | 0,023 | 0,006 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,009 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,005 |
| 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 ».