Surgical Non‐governmental Organizations: Global Surgery’s Unknown Nonprofit Sector
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: Charitable organizations may play a significant role in the delivery of surgical care in low- and middle-income countries (LMICs). However, in order to quantify their collective contribution, to account for the care they provide in national surgical plans, and to maximize coordination between organizations, a comprehensive database of these groups is required. We aimed to create such a database using web-available data. METHODS: We searched for organizations that meet the United Nations Rule of Law definition of non-governmental organizations and provide surgery in LMICs. We termed these surgical non-governmental organizations (s-NGOs). We screened multiple sources including a listing of disaster relief organizations, medical volunteerism databases, charity commissions, and the results of a literature search. We performed a secondary review of each eligible organization's website to verify inclusion criteria and extracted data. RESULTS: We found 403 s-NGOs providing surgery in all 139 LMICs, with most (61 %) incorporating surgery into a broader spectrum of health services. Over 80 % of s-NGOs had an office in the USA, the UK, Canada, India, or Australia, and they most commonly provided surgery in India (87 s-NGOs), Haiti (71), Kenya (60), and Ethiopia (55). The most common specialties provided were general surgery (184), obstetrics and gynecology (140), and plastic surgery (116). CONCLUSIONS: This new catalog includes the largest number of s-NGOs to date, but this is likely to be incomplete. This list will be made publicly available to promote collaboration between s-NGOs, national health systems, and global health policymakers.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,002 | 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