Improving Patient Follow-Up in Developing Regions
Notice bibliographique
Résumé
BACKGROUND: Cleft surgery follow-up in developing regions is challenging. This study evaluated rates, costs, and satisfaction of 2 follow-up programs at the Guwahati Comprehensive Cleft Care Centre (GC4) in Assam, India. METHODS: For this study, 10,582 postoperative visits were analyzed from May 2011 to November 2013. A questionnaire was administered to subsets of follow-up patients at both locations. Costs were calculated. RESULTS: Eighty-five percent of patients had follow-up at GC4, and 15% were seen in the patients' local districts. One hundred ninety-five questionnaires were completed (122 at GC4, 73 in local districts). Patients with local follow-up had fewer accompanying family members (mean, 1.95 vs 0.99; P = 0.00), fewer days off work (mean, 1.84 vs 1.15; P = 0.19), less lost income (Indian rupees 367 vs 143, P = 0.00), and lower direct costs (mean Rs, 911 vs 299; P = 0.00). The financial burden of local follow-up was significantly lower (P = 0.003). No significant differences were seen for convenience, likelihood of attending follow-up, or satisfaction. Follow-ups increased after revising programs from a mean of 139 monthly visits (follow-up to surgery ratio of 0.722) to a mean of 363 visits (ratio of 1.57). The center's mean cost for local follow-up was Rs 303 per patient, whereas the estimated costs would have been Rs 1100 for follow-up at the center. CONCLUSIONS: This study demonstrates potential improvements in costs and outcomes by changing the model of care. Despite significant follow-up challenges, much progress can be achieved through process changes and outreach follow-up programs. The results have important applications across the developing world.
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 | 0,002 |
| 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 ».