Mapping the Environmental Co-Benefits of Reducing Low-Value Care: A Scoping Review and Bibliometric Analysis
Notice bibliographique
Résumé
Reducing low-value care (LVC) and improving healthcare's climate readiness are critical factors for improving the sustainability of health systems. Care practices that have been deemed low or no-value generate carbon emissions, waste and pollution without improving patient or population health. There is nascent, but growing, research and evaluation to inform practice change focused on the environmental co-benefits of reducing LVC. The objective of this study was to develop foundational knowledge of this field through a scoping review and bibliometric analysis. We searched four databases, Medline, Embase, Scopus and CINAHL, and followed established scoping review and bibliometric analysis methodology to collect and analyze the data. A total of 145 publications met the inclusion criteria and were published between 2013 and July 2023, with over 80% published since 2020. Empirical studies comprised 21%, while commentary or opinions comprised 51% of publications. The majority focused on healthcare generally (27%), laboratory testing (14%), and medications (14%). Empirical publications covered a broad range of environmental issues with general and practice-specific 'Greenhouse gas (GHG) emissions', 'waste management' and 'resource use' as most common topics. Reducing practice-specific 'GHG emissions' was the most commonly reported environmental outcome. The bibliometric analysis revealed nine international collaboration networks producing work on eight key healthcare areas. The nineteen 'top' authors were primarily from the US, Australia and Canada.
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 | 0,022 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,029 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».