Disparities in surgical care for children across Brazil: Use of geospatial analysis
Notice bibliographique
Résumé
BACKGROUND: Health systems for surgical care for children in low- and middle-income countries remain poorly understood. Our goal was to characterize the delivery of surgical care for children across Brazil and to identify associations between surgical resources and childhood mortality. METHODS: We performed a cross-sectional, ecological study to analyze surgical care for children in the public health system (Sistema Único de Saúde) across Brazil from 2010 to 2015. We collected data from several national databases, and used geospatial analysis (two-step floating catchment, Getis-Ord-Gi analysis, and geographically weighted regression) to explore relationships between infrastructure, workforce, access, procedure rate, under-5 mortality rate (U5MR), and perioperative mortality rate (POMR). RESULTS: A total of 246,769 surgical procedures were performed in 6,007 first level/ district hospitals and 491 referral hospitals across Brazil over the study period. The surgical workforce is distributed unevenly across the country, with 0.13-0.26 pediatric surgeons per 100,000 children in the poorer North, Northeast and Midwest regions, and 0.6-0.68 pediatric surgeons per 100,000 children in the wealthier South and Southeast regions. Hospital infrastructure, procedure rate, and access to care is also unequally distributed across the country, with increased resources in the South and Southeast compared to the Northeast, North, and Midwest. The U5MR varies widely across the country, although procedure-specific POMR is consistent across regions. Increased access to care is associated with lower U5MR across Brazil, and access to surgical care differs by geographic region independent of socioeconomic status. CONCLUSIONS: There are wide disparities in surgical care for children across Brazil, with infrastructure, manpower, and resources distributed unevenly across the country. Access to surgical care is associated with improved U5MR independent of socioeconomic status. To address these disparities, policy should direct the allocation of surgical resources commensurate with local population needs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».