Healthcare sobriety and pollution awareness for a green healthcare sector: a Belgian qualitative study
Notice bibliographique
Résumé
Abstract The healthcare sector’s contribution to climate change and pollution more broadly is now widely recognised as problematic. Not only does it disrupt the ecosystems and the living environment, but it also paradoxically affects human health. In recent years, an increasing number of countries have committed to reducing the ecological footprint, or in other words, the ‘environmental cost’ of their healthcare system. Achieving a responsible transition toward a greener healthcare sector requires considering the perspectives and potential roles of various actors and stakeholders within the field. Thus far, very few studies have investigated the perspectives of (potential) healthcare consumers on challenges, ethical issues and social tensions that could arise during the transition to a greener healthcare system. To address this gap, we carried out five group interviews, exploring the views of 28 participants on climate change, healthcare pollution, and their sense of engagement in reducing healthcare pollution. Data were collected, coded and analysed using an inductive process. While most participants perceived climate change as a serious threat to human health, many were unaware of the healthcare sector’s significant contribution to it. Pharmaceutical waste and plastic pollution were identified as the main problems. Two promising avenues for reducing healthcare pollution emerged from the findings: promoting healthcare sobriety and improving education for actors and stakeholders on the sector’s contribution to global pollution. Participants defined healthcare sobriety through four key elements: adequate care, collective responsibility, ecological finance, and prevention. Regarding education, they underline that it should be done at the right time, by the right person and in an effective manner. Two important barriers to achieving these goals were identified: participants are less willing to accept trade-offs when it is health-related; and ethical concerns were raised about mobilizing vulnerable populations to achieve carbon neutrality in the healthcare sector.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».