Leveraging Student Volunteers to Connect Patients with Social Risk to Resources On a Coordinated Care Platform: A Case Study with Two Endocrinology Clinics
Notice bibliographique
Résumé
Introduction: Although unmet social needs can impact health outcomes, health systems often lack the capacity to fully address these needs. Our study describes a model that organized student volunteers as a community-based organisation (CBO) to serve as a social referral hub on a coordinated social care platform, NCCARE360. Description: Patients at two endocrinology clinics were systematically screened for social needs. Patients who screened positive and agreed to receive help were referred via NCCARE360 to student 'Help Desk' volunteers, who organised as a CBO. Trained student volunteers called patients to place referrals to resources and document them on the platform. The platform includes documentation at several levels, acting as a shared information source between healthcare providers, volunteer student patient navigators, and community resources. Navigators followed up with patients to problem-solve barriers and track referral outcomes on the platform, visible to all parties working with the patient. Discussion: Of the 44 patients who screened positive for social needs and were given referrals by Help Desk, 41 (93%) were reached for follow-up. Thirty-six patients (82%) connected to at least one resource. These results speak to the feasibility and utility of organising undergraduate student volunteers into a social referral hub to connect patients to resources on a coordinated care platform. Conclusion: Organising students as a CBO on a centralized social care platform can help bridge a critical gap between healthcare and social services, addressing health system capacity and ultimately improving patients' connections with resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».