MétaCan
Menu
← Retour à la cohorte
Enregistrement W4390200769 · doi:10.1002/alz.075135

Testing a Faith‐based Model to Increase Alzheimer’s Disease Knowledge, Detection and Management in a Rural, Racially/Ethnically Diverse Farmworker Community

2023· article· en· W4390200769 sur OpenAlexaboutno aff
Lisa Kirk Wiese, Jennifer H. Lingler, Ishan C. Williams, Nancy E. Schoenberg, Christine Lynn Williams, J. Holt, James E. Galvin

Notice bibliographique

RevueAlzheimer s & Dementia · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueFood Security and Health in Diverse Populations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGerontologyDementiaResidenceEthnic groupMedicineDiseaseEthnically diverseRural areaFamily medicineDemographyPsychologyEnvironmental healthPopulationSociology

Résumé

récupéré en direct d'OpenAlex

Abstract Background Rural and racially/ethnically diverse residents face multiple disparities that may increase Alzheimer’s disease and related disorder (ADRD) risk, including less formal education, less access to health care information, delayed disease detection, and challenges with management (Liu et al., 2022). Health‐promoting behaviors may reduce ADRD risk in the presence of these and other factors, e.g., environmental exposures (Peritogiannis et al., 2022; Livingston et al., 2020). We hypothesized that providing ADRD‐related education would increase disease knowledge, cognitive screening behaviors, dementia detection, and diagnosis rates in multiculturally diverse field workers in the Lake Okeechobee region of South Florida. Method Schoenberg’s (2009) Faith Moves Mountains framework guided this CBPR descriptive, quasi‐experimental study of 241 primarily African American and Afro‐Caribbeans ≥ age 50. Local church congregants were engaged as health educators and research assistants in recruiting, enrolling, surveying, and screening participants. The Basic Knowledge of Alzheimer’s Disease survey (Wiese et al., 2020) and brief Montreal Cognitive Assessment (MiniMoca) (Nasreddine, 2019) were administered at baseline and one year later. Persons scoring below the MiniMoca score cutoff of 12 were referred to providers for further assessment and potential diagnosis/treatment. Result Positive screen rates were 45.6% at Time 1 and 51.2% at Time 2. Lower pretest BKAD scores [β = ‐0.14, t = ‐3.02, p = .002] and lower years of education [β = ‐0.07, t = ‐1.81, p = .04] were associated with higher referrals. Longer duration of rural residence [β = 0.02, t = 3.09, p = .001], and ethnicity predicted referrals: African American [β = 0.62, t = 3.48, p<.001] or Afro Caribbean [β = 1.04, t = 1.81, p = .04]. Self‐report by participants on follow‐up by the health educators revealed new ADRD diagnoses primarily among African American (47.2%), Afro‐Caribbean (36.1%), White (13.9%) rural residents; Hispanics comprised 2.8%. Rates of new treatments by ethnicity were similar (Table 1). Conclusion Extending Schoenberg’s successful “Faith Moves Mountains” approach beyond the Appalachian setting and chronic illnesses of cancer (2009), smoking cessation (2016), and diabetes (2017) was effective for increasing ADRD knowledge, detection, and management in a unique non‐White rural community. A larger, randomized controlled trial is needed to test if ADRD education among varied faith‐based settings increases health‐seeking behaviors among rural residents experiencing health inequities due to social and medical determinants of health.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,268
Tête enseignante GPT0,451
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & Dementia→Même sujetFood Security and Health in Diverse Populations→Travaux en français237 207→