Building a learning health care community in rural and remote areas: a systematic review
Notice bibliographique
Résumé
BACKGROUND: A Learning Health Care Community (LHCC) is a framework to enhance health care through mutual accountability between the health care system and the community. LHCC components include infrastructure for health-related data capture, care improvement targets, a supportive policy environment, and community engagement. The LHCC involves health care providers, researchers, decision-makers, and community members who work to identify health care needs and address them with evidence-based solutions. The objective of this study was to summarize the barriers and enablers to building an LHCC in rural areas. METHODS: A systematic review was conducted by searching electronic databases. Eligibility criteria was determined by the research team. Published literature on LHCCs in rural areas was systematically collected and organized. Screening was completed independently by two authors. Detailed information about rural health care, activities, and barriers and enablers to building an LHCC in rural areas was extracted. Qualitative analysis was used to identify core themes. RESULTS: Among 8169 identified articles, 25 were eligible. LHCCs aimed to increase collaboration and co-learning between community members and health care providers, integrate community feedback in health care services, and to share information. Main barriers included obtaining adequate funding and participant recruitment. Enablers included meaningful engagement of stakeholders and stakeholder collaboration. CONCLUSIONS: The LHCC is built on a foundation of meaningful use of health data and empowers health care practitioners and community members in informed decision-making. By reducing the gap between knowledge generation and its application to practice, the LHCC has the potential to transform health care delivery in rural areas.
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 | 0,040 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».