Critical appraisal of a mHealth-assisted community-based cardiovascular disease risk screening program in rural Kenya: an operational research study
Notice bibliographique
Résumé
Community health workers (CHWs) can participate in the cascade of hypertension and diabetes management in low and middle-income countries (LMICs). Their services may be enhanced with mobile health (mHealth) tools. In this operational research study, we describe the AFYACHAT mHealth-assisted cardiovascular health screening program in rural Kenya. In this study, A CHW screened a convenience sample of adults ≥ 40 years old in rural Kenya for cardiovascular disease (CVD) risk using the two-way AFYACHAT mHealth instrument. AFYACHAT analyzes a patient's age, sex, smoking, diabetes and systolic blood pressure and provides a four-tiered 10-year CVD risk score. User acceptability was assessed by an end-of-study interview with the CWH. Automated error logs were analyzed. Patient satisfaction was measured with a six-question satisfaction questionnaire. Screened participants with high CVD risk were followed-up via telephone to explore any actions taken following screening. In 24 months, one CHW screened 1650 participants using AFYACHAT. The 10-year risk of CVD was <10% for 1611 (98%) patients, 10 to <20% for 26 (1.6%), 20 to <30% in 12 (0.7%), and ≥30% for 1 (0.1%). The point prevalence of hypertension and diabetes was 27% and 1.9%, respectively. Seventy-five percent of participants with elevated CVD risk sought further medical care. There was high acceptability, a 15% miscode error rate, and high participant satisfaction with the screening program. Our operational research outlines how AFYACHAT mHealth tool can assist CHW perform rapid CVD screening; this provides a model framework for non-communicable disease screening in LMICs.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».