Using Telemedicine to Diagnose Surgical Site Infections in Low- and Middle-Income Countries: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: A high burden of preventable morbidity and mortality due to surgical site infections (SSIs) occurs in low- and middle-income countries (LMICs), and most of these SSIs occur following discharge. There is a high loss to follow-up due to a wide geographical spread of patients, and cost of travel can result in delayed and missed diagnoses. OBJECTIVE: This review analyzes the literature surrounding the use of telemedicine and assesses the feasibility of using mobile phone technology to both diagnose SSIs remotely in LMICs and to overcome social barriers. METHODS: A literature search was performed using Medline, Embase, CINAHL, PubMed, Web of Science, the Cochrane Central Register of Controlled Trials and Google Scholar. Included were English language papers reporting the use of telemedicine for detecting SSIs in comparison to the current practice of direct clinical diagnosis. Papers were excluded if infections were not due to surgical wounds, or if SSIs were not validated with in-person diagnosis. The primary outcome of this review was to review the feasibility of telemedicine for remote SSI detection. RESULTS: A total of 404 articles were screened and three studies were identified that reported on 2082 patients across three countries. All studies assessed the accuracy of remote diagnosis of SSIs using predetermined telephone questionnaires. In total, 44 SSIs were accurately detected using telemedicine and an additional 14 were picked up on clinical follow-up. CONCLUSIONS: The use of telemedicine has shown to be a feasible method in remote diagnosis of SSIs. Telemedicine is a useful adjunct for clinical practice in LMICs to decrease loss to postsurgical follow-up.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 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 | 0,001 |
| 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 ».