DIGITAL SOCIAL PRESCRIBING LITE: ADDRESSING BARRIERS OF PREVENTIVE INTEGRATED CARE THROUGH COMMUNITY ENGAGEMENT
Notice bibliographique
Résumé
Abstract Digital social prescribing solutions attempt to integrate health and social care by targeting both preventive and complex health challenges. However, a lack of community engagement impedes referral uptake. This paper uses “customer discovery” to explore and address current barriers of digital social prescribing from the perspectives of service users and staff of health and community sectors. Phase 1 prioritized community perspectives and led to a community-generated place-based wellness model to align interests across sectors. Phase 2 conducted market research with over 70 health and community stakeholders in Metro Vancouver through snowball sampling. Insights were gathered on current referral processes, barriers to social prescribing, and stakeholder perspectives. From the insights shared, it was evident that achieving integrated care faces twin challenges of resource allocation and staff burnout. Funding-related barriers include inadequate partnership, intermittent funds, lack of billable codes, variations in cost, and lack of monitoring and evaluation. Staffing-related barriers include time-intensive processes, outdated information, inappropriate referrals and lack of guidance for quality improvement. Based on insights from stakeholders, initial cross-sectoral implementation may fruitfully focus on preventing the effects of social isolation. This “lite” version of digital social prescribing requires an automated referral and monitoring platform which allows prevention for the masses while flagging complex cases for intervention. This reduces clinician burden and empowers community sector to support wellbeing. The place-based model “Connectedness, feeling At home, and joyful Play” was incorporated into a web app. Digital social prescribing lite may pave the way for data-driven, organic scaling up of preventive integrated care.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».