Development of a comprehensive and sustainable gynecologic oncology training program in western Kenya, a low resource setting
Notice bibliographique
Résumé
To provide information on the development of a gynecologic oncology training program in a low-resource setting in Kenya. This is a review of a collaboration between Kenyan and North American physicians who worked together to develop a gynecologic oncology training in Kenya. We review the published data on the increase of cancer incidence in sub-Saharan Africa and outline the steps that were taken to develop this program. The incidence of cervical cancer in Kenya is very high and is the leading cause of cancer mortality in Kenya. WHO identifies cancer as a new epidemic affecting countries in sub-Saharan Africa. In Kenya, a country of 45 million, there is limited resources to diagnose and treat cancer. In 2009 in western Kenya, at Moi University there was no strategy to manage oncology in the Reproductive Health department. There was only 1 gynecologic oncologists in Kenya in 2009. A collaboration between Canadian and Kenya physicians resulted in development of a gynecologic oncology clinical program and initiation of fellowship training in Kenya. In the past 4 years, five fellows have graduated from a 2 year fellowship training program. Integration of data collection on all the patients as part of this program provided opportunities to do clinical research and to acquire peer reviewed grants. This is the first recognized fellowship training program in sub-Saharan Africa outside of South Africa. It is an example of a collaborative effort to improve women's health in a low-resource country. This is a Kenyan managed program through Moi University. These subspecialty trained doctors will also provide advice that will shape health care policy and provide sustainable expertise for women diagnosed with a gynecologic cancer.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».