Impact of COVID-19 on Cancer Care Delivery in Africa: A Cross-Sectional Survey of Oncology Providers in Africa
Notice bibliographique
Résumé
PURPOSE: The COVID-19 pandemic has disrupted cancer care globally. There are limited data of its impact in Africa. This study aims to characterize COVID-19 response strategies and impact of COVID-19 on cancer care and explore misconceptions in Africa. METHODS: We conducted a web-based cross-sectional survey of oncology providers in Africa between June and August 2020. Descriptive statistics and comparative analysis by income groups were performed. RESULTS: One hundred twenty-two participants initiated the survey, of which 79 respondents from 18 African countries contributed data. Ninety-four percent (66 of 70) reported country mitigation and suppression strategies, similar across income groups. Unique strategies included courier service and drones for delivery of cancer medications (9 of 70 and 6 of 70, respectively). Most cancer centers remained open, but > 75% providers reported a decrease in patient volume. Not previously reported is the fear of infectivity leading to staff shortages and decrease in patient volumes. Approximately one third reported modifications of all cancer treatment modalities, resulting in treatment delays. A majority of participants reported ≤ 25 confirmed cases (44 of 68, 64%) and ≤ 5 deaths because of COVID-19 (26 of 45, 58%) among patients with cancer. Common misconceptions were that Africans were less susceptible to the virus (53 of 70, 75.7%) and decreased transmission of the virus in the African heat (44 of 70, 62.9%). CONCLUSION: Few COVID-19 cases and deaths were reported among patients with cancer. However, disruptions and delays in cancer care because of the pandemic were noted. The pandemic has inspired tailored innovative solutions in clinical care delivery for patients with cancer, which may serve as a blueprint for expanding care and preparing for future pandemics. Ongoing public education should address COVID-19 misconceptions. The results may not be generalizable to the entire African continent because of the small sample size.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».