Assessment of risk of peripheral vascular disease and vascular care capacity in low- and middle-income countries
Notice bibliographique
Résumé
BACKGROUND: This study aimed to describe national peripheral vascular disease (PVD) risk and health burden, and vascular care capacity in Ghana. The gap between PVD burden and vascular care capacity in low- and middle-income countries was defined, and capacity improvement priorities were identified. METHODS: Data to estimate PVD risk factor burden were obtained from the World Health Organization Study on Global Ageing and Adult Health (SAGE), Ghana, and the Institute of Health Metrics and Evaluation Global Burden of Disease (IHME GBD) database. In addition, a novel nationwide assessment of vascular care capacity was performed, with 20 vascular care items assessed at 40 hospitals in Ghana. Factors contributing to specific item deficiency were described. RESULTS: From the SAGE database, there were 4305 respondents aged at least 50 years with data to estimate PVD risk. Of these, 57·4 per cent were at moderate to risk high of PVD with at least three risk factors; extrapolating nationally, the estimate was 1 654 557 people. Based on IHME GBD data, the estimated disability-adjusted life-years incurred from PVD increased fivefold from 1990 to 2010 (from 6·3 to 31·7 per 100 000 persons respectively). Vascular care capacity assessment demonstrated marked deficiencies in items for diagnosis, and in perioperative and vascular surgical care. Deficiencies were most often due to absence of equipment, lack of training and technology breakage. CONCLUSION: Risk factor reduction and management as well as optimization of current resources are paramount to avoid the large burden of PVD falling on healthcare systems in low- and middle-income countries. These countries are not well equipped to handle vascular surgical care, and rapid development of such capacity would be difficult and expensive.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 ».