Intensive Care Unit Capacity in Low-Income Countries: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Access to critical care is a crucial component of healthcare systems. In low-income countries, the burden of critical illness is substantial, but the capacity to provide care for critically ill patients in intensive care units (ICUs) is unknown. Our aim was to systematically review the published literature to estimate the current ICU capacity in low-income countries. METHODS: We searched 11 databases and included studies of any design, published 2004-August 2014, with data on ICU capacity for pediatric and adult patients in 36 low-income countries (as defined by World Bank criteria; population 850 million). Neonatal, temporary, and military ICUs were excluded. We extracted data on ICU bed numbers, capacity for mechanical ventilation, and information about the hospital, including referral population size, public accessibility, and the source of funding. Analyses were descriptive. RESULTS: Of 1,759 citations, 43 studies from 15 low-income countries met inclusion criteria. They described 36 individual ICUs in 31 cities, of which 16 had population greater than 500,000, and 14 were capital cities. The median annual ICU admission rate was 401 (IQR 234-711; 24 ICUs with data) and median ICU size was 8 beds (IQR 5-10; 32 ICUs with data). The mean ratio of adult and pediatric ICU beds to hospital beds was 1.5% (SD 0.9%; 15 hospitals with data). Nepal and Uganda, the only countries with national ICU bed data, had 16.7 and 1.0 ICU beds per million population, respectively. National data from other countries were not available. CONCLUSIONS: Low-income countries lack ICU beds, and more than 50% of these countries lack any published data on ICU capacity. Most ICUs in low-income countries are located in large referral hospitals in cities. A central database of ICU resources is required to evaluate health system performance, both within and between countries, and may help to develop related health policy.
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.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle