Knowledge, attitude and perception of tuberculosis management among tuberculosis-infected patients in resource constraint setting: field experience from Oyo state, South-West, Nigeria
Notice bibliographique
Résumé
Background: Inadequate knowledge and misconceptions about tuberculosis (TB) contribute to the burden of the disease by influencing patients’ behavior and attitude towards the disease and undermining infection control efforts. This study assesses the level of knowledge, attitude and perception of TB and its management among TB-infected patients.Methods: A descriptive cross-sectional was used to interview 712 TB patients using a semi-structured questionnaire between June and October 2016. Bivariate and multivariate analyses were performed with SPSS version 20.Results: About 70% had a good knowledge of TB. Patients’ perception of stigma was high (37.5%). A high proportion of the patients had a poor perception of their illness (88%). Healthcare workers attitude was rated as satisfactory by 97.2% of respondents. Patients who had good knowledge about TB experienced high self-stigma (42%) compared to those who had poor knowledge (27.2%), p<0.05. Poor knowledge of TB was highest among relapse TB cases. Respondents with poor TB knowledge were less likely to be male (OR: 0.66; 95% CI: 0.46, 0.95), married (OR: 0.24; 95% CI: 0.10, 0.55; p=0.001) and have tertiary education (OR: 0.06; CI: 0.37, 0.87; p=0.010). Patients with good knowledge about HIV and in the richest wealth status were 91% less likely to have high perceived stigma (OR: 0.09, 95%CI: 0.02, 0.35; p=0.001).Conclusions: The level of knowledge of TB among patients is satisfactory, however perception of illness is poor. Tuberculosis diagnosis can create self-stigma because of the fear of being isolated and discriminated which may determine the success of treatment.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».