Developing nephrology services in low income countries: a case of Tanzania
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
BACKGROUND: The burden of kidney diseases is reported to be higher in lower- and middle-income countries as compared to developed countries, and countries in sub-Saharan Africa are reported to be most affected. Health systems in most sub-Sahara African countries have limited capacity in the form of trained and skilled health care providers, diagnostic support, equipment and policies to provide nephrology services. Several initiatives have been implemented to support establishment of these services. METHODS: This is a situation analysis to examine the nephrology services in Tanzania. It was conducted by interviewing key personnel in institutions providing nephrology services aiming at describing available services and international collaborators supporting nephrology services. RESULTS: Tanzania is a low-income country in Sub-Saharan Africa with a population of more than 55 million that has seen remarkable improvement in the provision of nephrology services and these include increase in the number of nephrologists to 14 in 2018 from one in 2006, increase in number of dialysis units from one unit (0.03 unit per million) before 2007 to 28 units (0.5 units per million) in 2018 and improved diagnostic services with introduction of nephropathology services. Government of Tanzania has been providing kidney transplantation services by funding referral of donor and recipients abroad and has now introduced local transplantation services in two hospitals. There have been strong international collaborators who have supported nephrology services and establishment of nephrology training in Tanzania. CONCLUSION: Tanzania has seen remarkable achievement in provision of nephrology services and provides an interesting model to be used in supporting nephrology services in low income countries.
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 | 0,000 | 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) | 0,001 | 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