Surgical Non‐governmental Organizations: Global Surgery’s Unknown Nonprofit Sector
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,012 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».