The CLEAR toolkit pilot study: an educational intervention for helping health workers address the social causes of poor health
Bibliographic record
Abstract
INTRODUCTIONLes travailleurs de la santé peuvent jouer un rôle important pour améliorer la santé des individus et des populations s’ils reçoivent une formation adéquate sur la façon d'aborder les déterminants sociaux de la santé dans leur pratique clinique courante. Les objectifs de cette étude étaient: (1) de déterminer si la boîte à outils CLEAR, un outil d’aide à la décision clinique sur les déterminants sociaux de la santé, est considéré comme utile et applicable par des travailleurs de la santé provenant d’un grand centre universitaire d'enseignement de la médecine familiale servant une population ethnique diversifiée dans la région de Montréal, (2) d’identifier les changements qui devraient être apportés à cette boîte à outils pour la rendre encore plus utile pour les travailleurs de la santé de première ligne, (3) de comprendre comment la boîte à outils doit être adaptée au contexte local et comment former les travailleurs de la santé pour l'utiliser dans leur pratique courante, et (4) de mieux comprendre le soutien organisationnel mis à la disposition des travailleurs de la santé de première ligne dans leur pratique courante pour mieux soutenir leurs patients à agir sur les déterminants sociaux.METHODE Nous avons mené une étude multi-méthode incluant: (1) un sondage en ligne avec des travailleurs de la santé de première ligne afin d'évaluer les pratiques actuelles et de recueillir des commentaires sur la faisabilité de l'utilisation de la boîte à outils CLEAR dans la pratique clinique, (2) des entrevues en profondeur pour comprendre pourquoi les travailleurs de la santé considèrent certains patients comme plus vulnérables et comment les aider, (3) des groupes de discussion pour explorer les obstacles pour aborder les déterminants sociaux de la santé dans leur pratique clinique courante, et (4) des entretiens avec des informateurs-clés (cadres supérieurs) afin d'identifier les leviers organisationnels pour promouvoir un changement dans la pratique des travailleurs de la santé.RESULTATSSur les 100 travailleurs de la santé interrogés, 50 ont répondu au questionnaire (taux de réponse : 50%). Les entretiens en profondeur ont été effectués jusqu'à saturation de données (n=15). Nous avons effectué deux groupes de discussion avec respectivement 6 et 8 travailleurs de la santé dans chaque groupe, et trois entretiens avec des cadres supérieurs de la santé. Il y avait un niveau d'accord élevé que les travailleurs de la santé de première ligne devraient assumer la tâche d’identifier les déterminants sociaux qui causent des problèmes de santé à leurs patients (n=44/50, 88%). La majorité des travailleurs de la santé ont trouvé la boîte à outils CLEAR facile à comprendre (n=36/37, 97,3%), pertinente à leur travail (n=33/37, 89,2%), et utile pour aborder les déterminants sociaux de la santé (n=32/37, 86,5%). Les travailleurs de la santé qui posaient des questions sur les déterminants sociaux étaient deux fois plus susceptibles d’indiquer avoir aidé leurs patients avec des problèmes sociaux (n=15/16, 93,7%, par rapport à n=9/17, 52,9%; valeur p = 0,003). Les obstacles organisationnels à poser des questions sur les déterminants sociaux de santé dans la pratique clinique incluent l’absence de modèles, la formation et le temps. Les facilitateurs de l'adoption de déterminants sociaux dans la démarche de santé incluent avoir accès à des outils de pratique clinique et à une courte liste de ressources locales.CONCLUSION Les travailleurs de la santé de première ligne reconnaissent l’importance d’aborder les déterminants sociaux de la santé. Cependant, il y a un besoin de fournir aux travailleurs de la santé plus d'éducation, de formation et de soutien organisationnel. La boîte à outils CLEAR peut contribuer à réduire les disparités en santé par la formation des travailleurs de la santé de première ligne pour agir sur les déterminants sociaux de la santé.
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 | 0.009 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".