mHealth to Train Community Health Nurses in Visual Inspection With Acetic Acid for Cervical Cancer Screening in Ghana
Notice bibliographique
Résumé
OBJECTIVE: There is a shortage of trained health care personnel for cervical cancer screening in low-/middle-income countries. We evaluated the feasibility and limited efficacy of a smartphone-based training of community health nurses in visual inspection of the cervix under acetic acid (VIA). MATERIALS AND METHODS: During April to July 2015 in urban Ghana, we designed and developed a study to determine the feasibility and efficacy of an mHealth-supported training of community health nurses (CHNs, n = 15) to perform VIA and to use smartphone images to obtain expert feedback on their diagnoses within 24 hours and to improve VIA skills retention. The CHNs completed a 2-week on-site introductory training in VIA performance and interpretation, followed by an ongoing 3-month text messaging-supported VIA training by an expert VIA reviewer. RESULTS: Community health nurses screened 169 women at their respective community health centers while receiving real-time feedback from the reviewer. The total agreement rate between all VIA diagnoses made by all CHNs and the expert reviewer was 95%. The mean (SD) rate of agreement between each CHN and the expert reviewer was 89.6% (12.8%). The agreement rates for positive and negative cases were 61.5% and 98.0%, respectively. Cohen κ statistic was 0.67 (95% CI = 0.45-0.88). Around 7.7% of women tested VIA positive and received cryotherapy or further services. CONCLUSIONS: Our findings demonstrate the feasibility and efficacy of mHealth-supported VIA training of CHNs and have the potential to improve cervical cancer screening coverage in Ghana.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».