Engaging Racialized Newcomers in Chronic Disease Prevention and Management: A Scoping Review of Health Promotion Interventions
Notice bibliographique
Résumé
Abstract Background Health promotion programs targeting chronic disease prevention and management (CDPM) are crucial for mitigating the growing the burden of chronic disease and addressing health disparities and preventable risk factors in diverse populations. Racialized newcomers face a disproportionate risk of chronic disease and encounter barriers in accessing healthcare and engaging fully in such programs, hence further compounding health disparities. Engagement is defined as a multifaceted concept that frames involvement through the lens of recruitment, retention, adherence and full participation in an intervention. While culturally tailored programs have demonstrated promise once individuals are engaged, there is a gap in literature synthesizing engagement strategies for these populations in CDPM interventions. Objective This scoping review aims to synthesize evidence on the engagement strategies used in CDPM interventions for racialized newcomers in Western countries. Methods We followed Arksey & O’Malley’s (2005) framework along with refinements by Levac et al. (2010), screening 3,898 articles across multiple databases. Data were extracted using the Elicit AI tool along with verification of extraction from research team members. Descriptive analysis summarized findings. Results Forty-eight studies were included. Most studies focused on Hispanic/Latino and East/Southeast Asian populations in the USA. Common engagement strategies included culturally tailored content, use of community health workers (CHWs), accessible materials, financial incentives, flexibility, and co-creation with community input. Conclusion Culturally relevant and community-driven strategies, including CHWs, and creative and flexible program formats, are key to engaging racialized newcomers in health promotion programs. Addressing barriers and involving communities in program design can improve participation and outcomes in chronic disease prevention and management.
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 | 0,023 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,018 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».