Dermatology practice in primary health care services: where do we stand in the Middle East?
Notice bibliographique
Résumé
BACKGROUND: There has been a distinct expansion of the primary health care services in the Middle East over the past two decades. As a consequence, the exposure of primary care physicians (PCPs) to skin disorders has increased. However, information is lacking regarding the level of proficiency of PCPs in this field. OBJECTIVE: The purpose of our study is to assess the ability of the primary care physicians, with or without training in dermatology, to identify, diagnose and manage skin disorders. MATERIAL AND METHODS: Physicians at university-hospital primary-care clinics were asked to answer a multiple-choice questionnaire regarding various dermatoses. These were grouped into: common, infrequent and rare. Questions included identification of the correct description of the skin lesion, diagnosis, treatment and the desirability of referral. Demographic characteristics of the physicians were also assessed. RESULTS: Nineteen PCPs were included. The eight PCPs who had had specific training in dermatology showed performance superior to that of the PCPs who did not (P = 0.04). Not surprisingly, PCPs were able to make the correct diagnosis more frequently for the common dermatoses than for the infrequent or rare dermatoses (P = 0.001). On the other hand, when asked to recognize a correct description of the skin lesion, the PCPs were most often correct with rare dermatoses, and least often correct with common dermatoses (P = 0.04). CONCLUSION: PCPs with a short period of specific clinical training in dermatology perform better in identifying, diagnosing and managing skin disorders than those without. Such training for PCPs should be considered to provide more effective delivery of health 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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».