When Surgical Resources are Severely Constrained, Who Receives Care? Determinants of Access to Orthopaedic Trauma Surgery in Uganda
Notice bibliographique
Résumé
BACKGROUND: In low- and middle-income countries, the volume of traumatic injuries requiring orthopaedic intervention routinely exceeds the capacity of available surgical resources. The objective of this study was to identify predictors of surgical care for lower extremity fracture patients at a high-demand, resource-limited public hospital in Uganda. METHODS: Skeletally mature patients admitted with the intention of definitive surgical treatment of an isolated tibia or femur fractures to the national referral hospital in Uganda were recruited to participate in this study. Demographic, socioeconomic, and clinical data were collected through participant interviews at the time of injury and 6 months post-injury. Social capital (use of social networks to gain access to surgery), financial leveraging, and ethnicity were also included as variables in this analysis. A probit estimation model was used to identify independent and interactive predictors of surgical treatment. RESULTS: Of the 64 patients included in the final analysis, the majority of participants were male (83%), with a mean age of 40.6, and were injured in a motor vehicle accident (77%). Due to resource constraints, only 58% of participants received surgical care. The use of social capital and femur fractures were identified as significant predictors of receiving surgical treatment, with social capital emerging as the strongest predictor of access to surgery (p < 0.05). CONCLUSION: Limited infrastructure, trained personnel, and surgical supplies rations access to surgical care. In this environment, participants with advantageous social connections were able to self-advocate for surgery where demand for these services greatly exceeded available resources.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».