Harnessing inter-disciplinary collaboration to improve emergency care in low- and middle-income countries (LMICs): results of research prioritisation setting exercise
Notice bibliographique
Résumé
BACKGROUND: More than half of deaths in low- and middle-income countries (LMICs) result from conditions that could be treated with emergency care - an integral component of universal health coverage (UHC) - through timely access to lifesaving interventions. METHODS: The World Health Organization (WHO) aims to extend UHC to a further 1 billion people by 2023, yet evidence supporting improved emergency care coverage is lacking. In this article, we explore four phases of a research prioritisation setting (RPS) exercise conducted by researchers and stakeholders from South Africa, Egypt, Nepal, Jamaica, Tanzania, Trinidad and Tobago, Tunisia, Colombia, Ethiopia, Iran, Jordan, Malaysia, South Korea and Phillipines, USA and UK as a key step in gathering evidence required by policy makers and practitioners for the strengthening of emergency care systems in limited-resource settings. RESULTS: The RPS proposed seven priority research questions addressing: identification of context-relevant emergency care indicators, barriers to effective emergency care; accuracy and impact of triage tools; potential quality improvement via registries; characteristics of people seeking emergency care; best practices for staff training and retention; and cost effectiveness of critical care - all within LMICs. CONCLUSIONS: Convened by WHO and facilitated by the University of Sheffield, the Global Emergency Care Research Network project (GEM-CARN) brought together a coalition of 16 countries to identify research priorities for strengthening emergency care in LMICs. Our article further assesses the quality of the RPS exercise and reviews the current evidence supporting the identified priorities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».