“None of us are lying”: an interpretive description of the search for legitimacy and the journey to access quality health services by individuals living with Long COVID
Notice bibliographique
Résumé
BACKGROUND: Understanding of Long COVID has advanced through patient-led initiatives. However, research about barriers to accessing Long COVID services is limited. This study aimed to better understand the need for, access to, and quality of, Long COVID services. We explored health needs and experiences of services, including ability of services to address needs. METHODS: Our study was informed by the Levesque et al.'s (2013) "conceptual framework of access to health care." We used Interpretive Description, a qualitative approach partly aimed at informing clinical decisions. We recruited participants across five settings. Participants engaged in one-time, semi-structured, virtual interviews. Interviews were transcribed verbatim. We used reflexive thematic analysis. Best practice to ensure methodological rigour was employed. RESULTS: Three key themes were generated from 56 interviews. The first theme illustrated the rollercoaster-like nature of participants' Long COVID symptoms and the resulting impact on function and health. The second theme highlighted participants' attempts to access Long COVID services. Guidance received from healthcare professionals and self-advocacy impacted initial access. When navigating Long COVID services within the broader system, participants encountered barriers to access around stigma; appointment logistics; testing and 'normal' results; and financial precarity and affordability of services. The third theme illuminated common factors participants liked and disliked about Long COVID services. We framed each sub-theme as the key lesson (stemming from all likes and dislikes) that, if acted upon, the health system can use to improve the quality of Long COVID services. This provides tangible ways to improve the system based directly on what we heard from participants. CONCLUSION: With Long COVID services continuously evolving, our findings can inform decision makers within the health system to better understand the lived experiences of Long COVID and tailor services and policies appropriately.
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 | 0,021 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».