MétaCan
Menu
Retour à la cohorte
Enregistrement W2066539359 · doi:10.1186/1471-2296-15-165

Disease diagnosis in primary care in Uganda

2014· article· en· W2066539359 sur OpenAlexaff
Martin Mbonye, Robert Colebunders, Sarah Naikoba, Jean‐Pierre Van Geertruyden, Marcia R. Weaver, Allan Ronald

Notice bibliographique

RevueBMC Family Practice · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesBill and Melinda Gates Foundation
Mots-clésMedicineMedical diagnosisMalariaPsychological interventionDiseaseChristian ministryHealth careFamily medicineInfectious disease (medical specialty)PediatricsPathologyNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The overall burden of disease (BOD) especially for infectious diseases is higher in Sub-Saharan Africa than other regions of the world. Existing data collected through the Health Management Information System (HMIS) may not be optimal to measure BOD. The Infectious Diseases Capacity Building Evaluation (IDCAP) cooperated with the Ugandan Ministry of Health to improve the quality of HMIS data. We describe diagnoses with associated clinical assessments and laboratory investigations of outpatients attending primary care in Uganda. METHODS: IDCAP supported HMIS data collection at 36 health center IVs in Uganda for five months (November 2009 to March 2010) prior to implementation of the IDCAP interventions. Descriptive analyses were performed on a cross-sectional dataset of 209,734 outpatient visits during this period. RESULTS: Over 500 illnesses were diagnosed. Infectious diseases accounted for 76.3% of these and over 30% of visits resulted in multiple diagnoses. Malaria (48.3%), cough/cold (19.4%), and intestinal worms (6.6%) were the most frequently diagnosed illnesses. Body weight was recorded for 36.8% of patients and less than 10% had other clinical assessments recorded. Malaria smears (64.2%) and HIV tests (12.2%) accounted for the majority of 84,638 laboratory tests ordered. Fewer than 30% of patients for whom a laboratory investigation was available to confirm the clinical impression had the specific test performed. CONCLUSIONS: We observed a broad range of diagnoses, a high percentage of multiple diagnoses including true co-morbidities, and underutilization of laboratory support. This emphasizes the complexity of illnesses to be addressed by primary healthcare workers. An improved HMIS collecting timely, quality data is needed. This would adequately describe the burden of disease and processes of care at primary care level, enable appropriate national guidelines, programs and policies and improve accountability for the quality of care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,366

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,298
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Family PracticeMême sujetGlobal Maternal and Child HealthTravaux en français237 207