Health Catch-UP!: a realist evaluation of an innovative multi-disease screening and vaccination tool in UK primary care for at-risk migrant patients
Notice bibliographique
Résumé
Abstract Background Migrants to the UK face disproportionate risk of infections, non-communicable diseases, and under-immunisation compounded by healthcare access barriers. Current UK migrant screening strategies are unstandardised with poor implementation and low uptake. Health Catch-UP! is a collaboratively produced digital clinical decision support system that applies current guidelines (UKHSA and NICE) to provide primary care professionals with individualised multi-disease screening (7 infectious diseases/blood-borne viruses, 3 chronic parasitic infections, 3 non-communicable disease or risk factors) and catch-up vaccination prompts for migrant patients, which needs evaluating as a complex intervention to explore effectiveness and acceptability. Methods We carried out a mixed-methods process evaluation of Health Catch-UP! in two urban primary healthcare practices to integrate Health Catch-UP! into the electronic health record system of primary care, using the Medical Research Council framework for complex intervention evaluation. We collected quantitative data (demographics, patients screened, disease detection and catch-up vaccination rates) and qualitative participant interviews to explore acceptability and feasibility. Results 99 migrants were assessed by Health Catch-UP! across two sites (S1, S2). 96.0 % (n=97) had complete demographics coding with Asia 31.3 % (n= 31) and Africa 25.2% (n=25) the most common continents of birth (S1 n=92 [48.9% female (n=44); mean age 60.6 years (SD 14.26)]; and S2 n=7 [85.7% male (n=6); mean age 39.4 years (SD16.97)]. 61.6% (n=61) of participants were eligible for screening for at least one condition and uptake of screening was high 86.9% (n= 53). Twelve new conditions were identified (12.1% of study population) including hepatitis C (n=1), hypercholesteraemia (n= 6), pre-diabetes (n=4) and diabetes (n=1). Health Catch-UP! identified that 100% (n=99) of patients had no immunisations recorded; however, subsequent catch-up vaccination uptake was poor (2.0%, n=1). Qualitative data supported acceptability and feasibility of Health Catch-UP! from staff and patient perspectives, and recommended Health Catch-UP! integration into routine care (e.g. NHS health checks) but required an implementation package including staff and patient support materials, standardised care pathways (screening and catch-up vaccination, laboratory, and management), and financial incentivisation. Conclusions Clinical Decision Support Systems like Health Catch-UP! can improve disease detection and implementation of screening guidance for migrant patients but require robust testing, resourcing, and an effective implementation package to support both patients and staff.
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 | 0,030 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».