Cancer screening programmes for refugees in Canadian primary care: A realist review
Notice bibliographique
Résumé
Hundreds of thousands of people are diagnosed with cancer in Canada every year; an effective way to diagnose and treat cancers earlier and to improve mortality is to carry out organised cancer screening programmes in primary care. Canada accepts approximately 25,000 refugees annually, and refugees often carry a higher risk for cancer. While Canadian physicians have committed to a vision of equitable and accessible primary care, encompassed in the vision of a Patient’s Medical Home, Canada also has a complex network of health systems, each of which have different ways to approach cervical, breast, and colorectal cancer screening. This dissertation asks: why don’t refugees in Canada participate in these cancer screening programmes? To answer this question, a realist review was undertaken to dissect the contexts, mechanisms, and outcome configurations (CMOCs) presented in the literature. A realist review comprises a literature search, construction of initial programme theory, extracting data from literature to test the initial theory, and iteratively searching, testing, and synthesising evidence. There were very few primary sources to consult regarding the specific topic of refugees and cancer screening in Canada. However, from this small body of work, it was possible to find a number of CMOCs from which to provide an explanation of why refugees do and don’t access primary care cancer screening programmes, and to point toward future research topics. Health system complexity, language and culture differences, and difficulties creating a strong relationship with a primary care provider cause a lack of understanding of the importance and immediacy of screening. However, there are models of care as demonstrated in refugee-friendly clinics in Canada that can mitigate some of the barriers refugees face to participating in cancer screening. It is clear that additional research is required to ensure that refugees in Canada are cared for appropriately and equitably through reducing cancer mortality.
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 | 0,013 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,021 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».