Interest-holder priorities for health surveillance of people incarcerated in Canada: A qualitative study
Notice bibliographique
Résumé
OBJECTIVES: As a core function of public health, health surveillance for people who are incarcerated could address gaps in knowledge regarding their health status. The views of people who could use these data and who are included in health surveillance data should inform health surveillance. In this study, we aimed to identify the priorities of interest-holders for health surveillance of people incarcerated in Canadian correctional facilities. STUDY DESIGN: We conducted an overall qualitative descriptive study with an embedded reflexive thematic analysis and a qualitative content analysis. METHODS: We conducted virtual or phone-based focus groups and interviews with people across Canada, including people with lived experience of incarceration, community-based advocates and researchers, and current correctional health care staff and leadership. RESULTS: Overall, 61 participants took part. We describe two types of interest-holder priorities: health conditions and issues, which we identified using content analysis, and health care characteristics and components, which we constructed through thematic analysis. The top priorities for health conditions and issues to track and monitor were mental health issues, substance use disorders and harm reduction, chronic diseases, and nutrition, diet, and healthy food. The health care themes that were priorities for health surveillance were access, wait times, health care equivalence, preventive care, and medication administration. CONCLUSIONS: This study begins to fill the gap in population level health data for people who are incarcerated. Findings should have relevance for correctional authorities both within Canada and in other jurisdictions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».