Challenges and Priorities for Pediatric Critical Care Clinician-Researchers in Low- and Middle-Income Countries
Notice bibliographique
Résumé
INTRODUCTION: There is need for more data on critical care outcomes and interventions from low- and middle-income countries (LMIC). Global research collaborations could help improve health-care delivery for critically ill children in LMIC where child mortality rates remain high. MATERIALS AND METHODS: To inform the role of collaborative research in health-care delivery for critically ill children in LMIC, an anonymous online survey of pediatric critical care (PCC) physicians from LMIC was conducted to assess priorities, major challenges, and potential solutions to PCC research. A convenience sample of 56 clinician-researchers taking care of critically ill children in LMIC was targeted. In addition, the survey was made available on a Latin American PCC website. Descriptive statistics were used for data analysis. RESULTS: The majority of the 47 survey respondents worked at urban, public teaching hospitals in LMIC. Respondents stated their primary PCC research motivations were to improve clinical care and establish guidelines to standardize care. Top challenges to conducting research were lack of funding, high clinical workload, and limited research support staff. Respondent-proposed solutions to these challenges included increasing research funding options for LMIC, better access to mentors from high-income countries, research training and networks, and higher quality medical record documentation. CONCLUSION: LMIC clinician-researchers must be better empowered and resourced to lead and influence the local and global health research agenda for critically ill children. Increased funding options, access to training and mentorship in research methodology, and improved data collection systems for LMIC PCC researchers were recognized as key needs for success.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».