Community-based screening for cardiovascular risk using a novel mHealth tool in rural Kenya
Notice bibliographique
Résumé
BACKGROUND: An increasing burden of cardiovascular disease (CVD) in low-resource settings demands innovative public health approaches. OBJECTIVES: To design and test a novel mHealth tool for use by community health workers (CHWs) to identify individuals at high CVD risk who would benefit from education and/or pharmacologic interventions. METHODS: We designed and implemented a novel two-way mobile phone application, "AFYACHAT," to rapidly screen for CVD risk in rural Kenya. AFYACHAT collects and stores SMS text message data entered by a CHW on a subject's age, sex, smoking, diabetes, and systolic blood pressure, and returns as SMS text message the category of 10-year CVD risk: "GREEN" (<10% 10 year risk of cardiovascular event), "YELLOW" (10 to <20%), "orange"(20 to <30%), or "RED" (≥30%). CHWs were equipped and trained to use an automated blood pressure device and the mHealth tool. RESULTS: Five CHWs screened 2,865 subjects in remote rural communities in Kenya over a 22 month period (2015-17). The median age of subjects was 50 (IQR 43 to 60) and 1581 (55%) were female. Point prevalence of hypertension (systolic blood pressure>140mmHg), diabetes, and tobacco use were 23%, 3.2%, and 22%, respectively. Overall, the 10-year risk of CVD among patients was <10% in 2778 (97%) patients, 10 to <20% in 65 (2.3%), 20 to <30% in 12 (0.4%), and ≥30% in 10 (0.2%). CONCLUSION: We have developed a mHealth tool that can be used by CHWs to screen for CVD risk factors, demonstrating proof-of-concept in rural Kenya.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».