Task shifting in primary eye care: how sensitive and specific are common signs and symptoms to predict conditions requiring referral to specialist eye personnel?
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
BACKGROUND: The inclusion of primary eye care (PEC) in the scope of services provided by general primary health care (PHC) workers is a 'task shifting' strategy to help increase access to eye care in Africa. PEC training, in theory, teaches PHC workers to recognize specific symptoms and signs and to treat or refer according to these. We tested the sensitivity of these symptoms and signs at identifying significant eye pathology. METHODS: Specialized eye care personnel in three African countries evaluated specific symptoms and signs, using a torch alone, in patients who presented to eye clinics. Following this, they conducted a more thorough examination necessary to make a definite diagnosis and manage the patient. The sensitivities and specificities of the symptoms and signs for identifying eyes with conditions requiring referral or threatening sight were calculated. RESULTS: Sensitivities of individual symptoms and signs to detect sight threatening pathology ranged from 6.0% to 55.1%; specificities ranged from 8.6 to 98.9. Using a combination of symptoms or signs increased the sensitivity to 80.8 but specificity was 53.2. CONCLUSIONS: In this study, the sensitivity and specificity of commonly used symptoms and signs were too low to be useful in guiding PHC workers to accurately identify and refer patients with eye complaints. This raises the question of whether this task shifting strategy is likely to contribute to reducing visual loss or to providing an acceptable quality service.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,000 |
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 découle