Using multiple perspectives analysis to propose state cancer control policy in Abia State, Nigeria.
Notice bibliographique
Résumé
e14132 Background: Beyond the National Cancer Control Plan, most States in Nigeria do not have State cancer control policies. Using the multiple perspectives analysis framework, this research sought to explore the perspectives of patients diagnosed with cancer, healthcare providers and health policymakers regarding cancer policy in Abia State. Methods: A concurrent mixed methods action research design was used. Sample included individuals aged ≥18 years who were diagnosed with cancer (patients), provided cancer treatment (providers) or made health policy (policymakers) in the State. Data were collected using surveys and key informant interviews. Data analysis involved descriptive statistics, chi-square test and a deductive thematic analysis. Results: Participants were 29 patients, 50 providers and 33 policymakers (n = 122), with an average age of 45 (±11) years. Challenges identified by ≥60% of participants were: low public awareness (75.9%); limited availability of treatment options (62.6%); lack of treatment pathways (92.8%); lack of local cancer data (95.2%); and, absence of support groups for patients (88.0%). Each group of participants (n = 3) rated cancer 9 out of 10 as a public health priority. Some qualitative themes were: low cancer awareness, delays in cancer treatment and financial burden on patients. “One thing I’d like to include in the policy is to make cancer a reportable disease in the State.” -Policymaker. Most participants (80%, 90/112) recommended that health insurance should fund ≥16% of cancer control activities, although policymakers were more likely to make quarterly insurance contributions than patients (7 out of 10 vs. 5 out of 10). Conclusions: Cancer control was an important issue for people in the State. Inadequate prevention services with a background of > 3-month diagnostic delays, characterized cancer control in Abia State. Future cancer control policy should emphasize cancer prevention, the creation of local clinical pathways and a blended financing model. [Table: see text]
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 | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».