Reducing health and cancer disparities: an environmental scan of three promising health care access interventions in Alberta, Canada
Notice bibliographique
Résumé
BACKGROUND: Cancer incidence and mortality in Canada have improved greatly over recent decades, but these improvements have not been equally distributed across all populations. This environmental scan synthesizes evidence from the real-world implementation of three interventions identified to improve access to cancer care for underserved populations-patient navigation, eHealth, and education and counselling-targeting healthcare access disparities in Alberta. It aims to inform local improvements in cancer care access and healthcare access more broadly, while offering insights for other regions in Canada and internationally with similar health equity challenges. METHODS: A comprehensive electronic database search was conducted to identify academic and grey literature from January 2013 to March 2024. Data on initiatives (context, setting, target population, modality, and lessons learned) were extracted, coded thematically, and, where relevant, mapped to the Consolidated Framework for Implementation Research to support synthesis. RESULTS: Twenty-one initiatives involving patient navigation, 17 utilizing eHealth, and 7 inclusive of education and counselling were identified. Multimodal approaches were commonly used across interventions, enhancing flexibility and accessibility. Most initiatives were urban based, suggesting a gap in rural access. Virtual programming has recently expanded, potentially enhancing reach, while education and counselling initiatives remain limited. CONCLUSIONS: Three key lessons applicable to initiatives which aim to address disparities in cancer care were identified. These lessons emphasize the importance of simplifying implementation, securing leadership and stakeholders' support, and fostering partnerships and collaboration for program success.
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 | 0,012 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,026 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».