Community-based management of epilepsy in Southeast Asia: Two intervention strategies in Lao PDR and Cambodia
Notice bibliographique
Résumé
BackgroundEpilepsy affects more than 50 million people worldwide, 80% of whom live in low- and middle-income countries (LMICs). In Southeast Asia, the prevalence is moderate (6‰), and the main public health challenge is reducing the treatment gap, which reaches more than 90% in rural areas.MethodsThis 12-month comparative study (intervention vs. control areas) assessed the community effectiveness of two different strategies for the identification and home follow-up of people with epilepsy by Domestic Health Visitors for epilepsy (DHVes). In Lao PDR, DHVes were health center staff covering several villages via monthly visits; in Cambodia, DHVes were health volunteers living in the villages.FindingsAt baseline, the treatment gap was >95% in Lao PDR and 100% in Cambodia. After 12 months, the treatment gap in Lao PDR decreased by 5·5% (range: 4·0–12·2) in the intervention area and 0·5% (range: 0·4–0·8) in the control area (p<0·0001). In Cambodia, the treatment gap decreased by 34·9% (range: 29·0–44·1) in the intervention area and 8·1% (range: 6·7–10·2) in the control area (p<0·0001). Among the PWEs followed at home by the DHVes, the proportion adhering to drug treatment was 85·2% in Lao PDR and 78·1% in Cambodia. The cost associated with strategy implemented in Cambodia, compared with the control area, was lower than the cost associated with strategy implemented in Lao PDR.”InterpretationThe treatment gap was significantly reduced with both intervention strategies, but the effect was larger in Cambodia. The results of this cost analysis pave the way for scaling-up in rural areas of Lao PDR and Cambodia, and experimental adaptation in other LMICs.FundingThe study was funded by the Global Health Department of Sanofi and Grand Challenges Canada (grant number 0325–04).
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».