Healthcare interventions to improve health outcomes for racially minoritised people with multiple long-term conditions: A Systematic Review and Narrative synthesis
Notice bibliographique
Résumé
Racially minoritised people with multiple long-term conditions (MLTCs) face inequalities across different dimensions of health(care), yet little is known about how to improve their health(care) outcomes. This systematic review and narrative synthesis seeks to identify and describe healthcare interventions designed to improve health outcomes for racially minoritised people with MLTCs and identify areas for further exploration. Given that primary care is considered the ideal setting to manage MLTCs, we focus on interventions targeted at healthcare providers/systems. We searched 9 bibliographic databases and one website and identified 6566 studies, 15 of which met the inclusion criteria. The studies were conducted in the US (n=13), Canada (n=1) and Australia (n=1). Most studies recruited racially minoritised people mainly of African American and Hispanic/Latinx descent with comorbid depression and a physical condition (diabetes (n=3), hypertension (n=3), cancer (n=2). Depression/mental health outcomes, patient-reported outcomes, clinical outcomes, medication use, and adherence were the most frequently assessed outcomes. All interventions made socio-cultural adaptations, thereby, promoting equitable and inclusive care. Community actors/assets were considered key to improving health outcomes. Of the 15 interventions, five resulted in statistically significant improvements in all outcomes of interest and nine resulted in improvements in some outcomes. This review illustrates the feasibility of socio-culturally adapted interventions, many of which successfully integrate physical and mental health care, delivered through multidisciplinary teams working collaboratively, and leveraging community assets to improve health outcomes for racially minoritised people with MLTCs. Future research is needed to assess the impact of these interventions beyond North America and Australia.
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 | 0,018 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».