Is facility based neonatal care in low resource setting keeping pace? A glance at Uganda’s National Referral Hospital
Notice bibliographique
Résumé
OBJECTIVES: To identify reasons for neonatal admission and death with the aim of determining areas needing improvement. METHOD: A retrospective chart review was conducted on records for neonates admitted to Mulago National Referral Hospital Special Care Baby Unit (SCBU) from 1(st) November 2013 to 31(st) January 2014. Final diagnosis was generated after analyzing sequence of clinical course by 2 paediatricians. RESULTS: A total of 1192 neonates were admitted. Majority 83.3% were in-born. Main reasons for admissions were prematurity (37.7%) and low APGAR (27.9%).Overall mortality was 22.1% (Out-born 33.6%; in born 19.8%). Half (52%) of these deaths occurred in the first 24 hours of admission. Major contributors to mortality were prematurity with hypothermia and respiratory distress (33.7%) followed by birth asphyxia with HIE grade III (24.6%) and presumed sepsis (8.7%). Majority of stable at risk neonates 318/330 (i.e. low APGAR or prematurity without comorbidity) survived. Factors independently associated with death included gestational age <30 weeks (p 0.002), birth weight <1500g (p 0.007) and a 5 minute APGAR score of < 7 (p 0.001). Neither place of birth nor delayed and after hour admissions were independently associated with mortality. CONCLUSION AND RECOMMENDATIONS: Mortality rate in SCBU is high. Prematurity and its complications were major contributors to mortality. The management of hypothermia and respiratory distress needs scaling up. A step down unit for monitoring stable at risk neonates is needed in order to decongest SCBU.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».