A National Survey of Resources to Address Sepsis in Children in Tertiary Care Centers in Nigeria
Notice bibliographique
Résumé
Background: Infections leading to sepsis are major contributors to mortality and morbidity in children world-wide. Determining the capacity of pediatric hospitals in Nigeria to manage sepsis establishes an important baseline for quality-improvement interventions and resource allocations. Objectives: To assess the availability and functionality of resources and manpower for early detection and prompt management of sepsis in children at tertiary pediatric centers in Nigeria Methods: This was an online survey of tertiary pediatric hospitals in Nigeria using a modified survey tool designed by the World Federation of Pediatric Intensive and Critical Care Societies (WFPICCS). The survey addressed all aspects of pediatric sepsis identification, management, barriers and readiness. Results: While majority of the hospitals 97% (28/29) reported having adequate triage systems, only 60% (16/27) follow some form of guideline for sepsis management. There was no consensus national guideline for management of pediatric sepsis. Over 50% of the respondents identified deficit in parental education, poor access to healthcare services, failure to diagnose sepsis at referring institutions, lack of medical equipment and lack of a definitive protocol for managing pediatric sepsis, as significant barriers. Conclusions: Certain sepsis-related interventions were reportedly widespread, however, there is no standardized sepsis protocol, and majority of the hospitals do not have pediatric intensive care units (PICU). These findings could guide quality improvement measures at institutional level, and healthcare policy/spending at the national level.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».