Collaborative Approaches to Team-Based Primary Health Care for Individuals with Dementia in Rural/Remote Settings
Bibliographic record
Abstract
RÉSUMÉ L’application d’approches d’équipes en soins de santé de première ligne (SPL) pour le diagnostic et le traitement de la démence est considérée comme une pratique exemplaire. Malheureusement, il arrive fréquemment que les personnes vivant dans les régions rurales et éloignées aient peu d’accès à des services de SPL spécialisés pour la démence. Le but de cet examen de la portée était d’identifier et de comprendre les approches d’équipes en SPL pour les soins en milieu rural visant les cas de démence. La stratégie de recherche utilisée a uniquement inclus des articles de revues à comité de lecture publiés entre 1997 et 2017. Quatre bases de données (Embase, Medline PsycInfo et CINAHL) ont été consultées de mars 2017 à mai 2017. Les dix études retenues montraient des degrés de collaboration et des interactions variables dans les équipes de soins. Peu d’informations étaient rapportées sur les stratégies de collaboration de ces équipes. Une adaptation du modèle socioécologique a été utilisée pour catégoriser les facteurs clés influençant les approches collaboratives. Ces résultats rassemblés pourraient être utilisés pour guider la recherche future et l’élaboration d’un modèle de soins de santé de première ligne pour la démence dans les milieux ruraux.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.030 | 0.060 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".