Using community-based participatory research methods to build the foundation for an equitable integrated health data system within a Canadian urban context
Notice bibliographique
Résumé
Health inequalities amplified by the COVID-19 pandemic have disproportionately affected racialized and equity-deserving communities across Canada. In the Municipality of Peel, existing data, while limited, illustrates that individuals from racialized and equity-deserving communities continue to suffer, receive delayed care, and die prematurely. In response to these troubling statistics, grassroots community advocacy has called on health systems leaders in Peel to work with community and non-profit organizations to address the critical data and infrastructure gaps that hinder addressing the social determinants of health in the region. To support these advocacy efforts, we used a community-based participatory research approach to understand how we might build a data collection ecosystem across sectors, alongside community residents and service providers, to accurately capture the data about the social determinants of health. This approach involved developing a community engagement council, defining the problem with the community, mapping what data is actively collected and what is excluded, and understanding experiences of sociodemographic data collection from community members and service providers. Guided by community voices, our study focused on sociodemographic data collection in the primary care context and identified which service providers use and collect these data, how data are used in their work, the facilitators and barriers to data use and collection. Additionally, we gained insight into how sociodemographic data collection could be respectful, safe, and properly governed from the perspectives of community members. From this study, we identify a set of eight recommendations for sociodemographic data collection and highlight limitations. This foundational community-based work will inform future research in establishing data governance in partnership with diverse and equity-deserving communities.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Qualitatif | high |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Autre devis | high |
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 | 0,225 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,048 | 0,031 |
| Communication savante | 0,029 | 0,014 |
| Science ouverte | 0,008 | 0,041 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».