Clubfoot Care in Low‐Income and Middle‐Income Countries: From Clinical Innovation to a Public Health Program
Notice bibliographique
Résumé
BACKGROUND: Clubfoot occurs in nearly 1 in every 1,000 live births worldwide, representing a significant burden of disease. In high-income countries, an evidence-based treatment protocol utilizing sequential casting was pioneered by Ponseti and has resulted in excellent outcomes among children treated for this condition. However, treatment methods and results of treatment vary greatly across low- and middle-income countries (LMICs). Our goal was to create a framework for understanding how effective programs that treat clubfoot in LMICs choose and organize their activities. METHODS: A systematic literature review was conducted using the keywords "developing countries" and "clubfoot." A public health analysis model known as the Care Delivery Value Chain (CDVC) was applied to discover public health practices that would optimize value over the entire course of a patient's life. RESULTS: The literature review yielded 32 unique results, seven of which met our inclusion and exclusion criteria. Review of the bibliographies yielded two additional papers for a total of nine papers. We identified seven vital steps in the clubfoot cycle of care and constructed a CDVC. CONCLUSIONS: The analysis of this CDVC model suggests six best practices that are essential to successfully scaling up clubfoot treatment programs and ensuring excellent clinical outcomes: (1) diagnosing clubfoot early; (2) organizing high-volume Ponseti casting centers; (3) using nonphysician health workers; (4) engaging families in care; (5) addressing barriers to access; (6) providing follow-up in the patient's community. These practices must be adapted to each context. Applying them will optimize outcomes when designing public health programs that deliver clubfoot care in LMICs.
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 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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».