Engaging community to co-design learning health systems: lessons from storytelling and Design Jam, a community case study from British Columbia, Canada
Notice bibliographique
Résumé
Health and research systems produce vast amounts of data, yet only a fraction is used to improve healthcare delivery-especially for equity-deserving communities. In Canada, Learning Health Systems (LHS) are guided by the Quadruple Aim: improving population health, enhancing patient and provider experience, and reducing costs, with equity now recognized as a critical additional aim. As LHS evolve, advancing health equity has become a core driver, particularly in Canada. An equitable LHS prioritizes inclusion, accessibility, and co-creation, ensuring that historically marginalized communities are active partners in shaping healthcare solutions. Community engagement is foundational to LHS, where individuals, families, and communities collaborate with clinicians, researchers, and decision-makers to drive meaningful improvements. This community case study describes how a large health authority in British Columbia integrated design thinking and a participatory action research approach to co-develop a vision for a community-centered LHS. Fifty diverse partners participated, including individuals and families, clinicians, non-clinical health staff, health administrators, researchers, and students. The project team drew on a Canadian LHS framework, appreciative inquiry, and design thinking to guide engagement activities. Participants co-designed a vision for LHS, proposing actions across six key areas, including (1) Legal and Ethical, (2) Science and Research, (3) Data and Technology, (4) Policy, Process, and Resources, (5) Indigenous Leadership & Participation, (6) Social, Community, and Equity. Through the sessions, lived experiences helped surface barriers and community priorities. Storytelling and Design Jam methods were key tools for fostering meaningful engagement. We propose practical considerations (INSPIRE) that researchers and policymakers can apply to enhance participation, foster equity, and ensure that Learning Health Systems remain community-driven and responsive to diverse needs: Inclusion first, Nurture Trust, Show impact, Partner with lived experience experts, Institutionalize diverse engagement, Recognize ethical responsibilities, and Ensure sustainability. Future research should investigate how to overcome barriers to participation, embed participatory approaches, and consider design-thinking in health system transformation. By focusing on community engagement, this case study demonstrates how LHS can be co-developed as inclusive and equity-driven.
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 | 0,019 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,057 | 0,025 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».