Task-shifting for cardiovascular risk factor management: lessons from the Global Alliance for Chronic Diseases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Task-shifting to non-physician health workers (NPHWs) has been an effective model for managing infectious diseases and improving maternal and child health. There is inadequate evidence to show the effectiveness of NPHWs to manage cardiovascular diseases (CVDs). In 2012, the Global Alliance for Chronic Diseases funded eight studies which focused on task-shifting to NPHWs for the management of hypertension. We report the lessons learnt from the field. From each of the studies, we obtained information on the types of tasks shifted, the professional level from which the task was shifted, the training provided and the challenges faced. Additionally, we collected more granular data on 'lessons learnt ' throughout the implementation process and 'design to implementation' changes that emerged in each project. The tasks shifted to NPHWs included screening of individuals, referral to physicians for diagnosis and management, patient education for lifestyle improvement, follow-up and reminders for medication adherence and appointments. In four studies, tasks were shifted from physicians to NPHWs and in four studies tasks were shared between two different levels of NPHWs. Training programmes ranged between 3 and 7 days with regular refresher training. Two studies used clinical decision support tools and mobile health components. Challenges faced included system level barriers such as inability to prescribe medicines, varying skill sets of NPHWs, high workload and staff turnover. With the acute shortage of the health workforce in low-income and middle-income countries (LMICs), achieving better health outcomes for the prevention and control of CVD is a major challenge. Task-shifting or sharing provides a practical model for the management of CVD in LMICs.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle