Retinoblastoma referral pattern in kenya
Notice bibliographique
Résumé
PURPOSE: Kenya is a large country with a widely dispersed population. As retinoblastoma requires specialized treatment, we determined the referral pattern for patients with retinoblastoma in Kenya to facilitate the formulation of a national policy. MATERIALS AND METHODS: A retrospective study was performed for retinoblastoma patients who presented from January 1, 2006 to December 31, 2007. Data were collected on the referral process from presenting health facility to the hospital where patient was treated. Data were also collected on the time interval when the first symptoms were noticed to the time of presentation at a health facility (lag time). For cases that could be traced to a referral hospital, the time delay due to referral (referral lag time) was recorded. RESULTS: There were 206 patients diagnosed with retinoblastoma in 51 Kenyan and 2 foreign healthcare facilities, and they received final treatment at a Kenyan hospital. Mean lag time was 6.8 months (±6.45). Of all patients, 18% (38/206) were treated at the hospital where they first presented and 82% (168/206) were referred elsewhere. Of those referred, 35% (58/168) were lost to follow-up. The mean referral lag time was 1.7 months (±2.5). CONCLUSIONS: A significant proportion of cases presented late, and either delayed seeking further treatment or were lost after initial referral. We recommend the implementation of a national strategy that emphasizes early detection, documentation and follow up of retinoblastoma patients.
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) | 0,001 | 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 ».