Local Public Health Unit Priorities, Actions, and Barriers in Addressing Inequities During the COVID-19 Pandemic in Ontario, Canada
Notice bibliographique
Résumé
CONTEXT: The COVID-19 pandemic required a major response from local public health to reduce infections and manage inequities in COVID-19 outcomes. It is important to consider lessons learned from the COVID-19 pandemic response across local public health in order to prepare for future public health emergencies. OBJECTIVE: This study examined how local public health units (PHUs) in Ontario, Canada, addressed inequities in COVID-19 outcomes in their pandemic response. DESIGN: We contacted all 34 Ontario PHUs to participate in a survey on priorities, actions, and barriers to address health inequities in their COVID-19 response and conducted inductive content analysis on responses to identify themes. SETTING: Ontario, Canada. PARTICIPANTS: A total of 25 out of 34 local Ontario PHUs completed the survey. MAIN OUTCOME MEASURE: Public health unit-reported priorities and actions in addressing health inequities in their COVID-19 response. RESULTS: PHUs reported varied priorities in addressing health inequities. PHUs played a key role in coordinating an equity-focused response, including data analysis and reporting, engaging with community groups, and making cross-sector connections. However, important barriers remained, including a lack of community trust, frequent changes in guidance, lack of access to data on the social determinants of health, and a shortage of staffing and resources. CONCLUSION: Findings suggest ways to prioritize health equity in a public health emergency, including through properly resourcing PHUs, early planning and trust building, and improved equity-based data collection.
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 | 0,024 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».