State of rare disease management in Southeast Asia
Notice bibliographique
Résumé
BACKGROUND: Rare diseases, also referred to as orphan diseases, are characterised by their low prevalence with majority of them are chronically debilitating and life threatening. Given the low prevalence and the widely dispersed but very small patient base for each disease, there may often be a disproportion in the availability of treatments and resources to manage patients, spur research and train experts. This is especially true in Southeast Asian countries that are currently in the process of implementing or revising their universal health coverage schemes. This paper aims to examine the status of rare disease management in Southeast Asian countries. It will serve as the basis for a more active discussion on how countries in the region can address an under-recognised rare disease burden and enhance national and regional capacities. METHODS: The study consists of literature reviews and key stakeholders interviews in six focus countries, including the Philippines, Singapore, Malaysia, Indonesia, Vietnam, and Thailand and five countries as best practice, comprising of France, Canada, Australia, Taiwan, and South Korea. Rare disease management initiatives across each country were examined based on the World Health Organization's framework for action in strengthening health systems. RESULTS: The results suggest rare disease management remains challenging across Southeast Asia, as many of the focus countries face fundamental issues from basic healthcare systems to funding. Nonetheless, there are substantial improvement opportunities, including leveraging best practices from around the world and organising a multi-stakeholder and regional approach and strategy. CONCLUSIONS: Southeast Asian countries have made significant progress in the management of rare disease, but there remain key areas for substantial development opportunities.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».