Impact of PRECEDE–PROCEED Model Audits in Cancer Screening Programs in Lombardy Region: Supporting Equity and Quality Improvement
Notice bibliographique
Résumé
BACKGROUND: Health disparities related to socio-economic factors impact access to preventive health interventions. The PRECEDE-PROCEED model, a multidimensional approach to health promotion, has been adapted to optimise cancer screening programs in Lombardy, Italy, addressing these disparities. METHODS: This study evaluated the application of systemic audits based on the PRECEDE-PROCEED model across Lombardy cancer screening programs. A systematic region-wide audit was performed in 2019, and follow-up audits were performed in 2022-2023. Data were collected using structured analysis methodologies, including epidemiological, behavioural, and organisational assessments. RESULTS: The 2019 audit showed strengths in participation and quality standards but identified challenges in cervical cancer screening coverage and waiting times for assessments. Improvements plans included the digitisation of processes and stakeholder engagement. The 2022-2023 audits reported increased coverage for breast and colorectal screenings, but a slight decline in participation rates and examination coverage. Organisational improvements were noted, yet gaps in training and equity-targeted actions remained. CONCLUSION: The PRECEDE-PROCEED model audits led to notable improvements in the quality and equity of cancer screening programs in Lombardy. Sustained focus on digital integration, continuous re-training, and targeted equity interventions is essential for further progress.
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 | 0,108 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».