Implementing newborn screening for sickle cell disease in Korle Bu Teaching Hospital, Accra: Results and lessons learned
Notice bibliographique
Résumé
BACKGROUND: Early diagnosis of sickle cell disease (SCD) through newborn screening (NBS) is a cost-effective intervention, which reduces morbidity and mortality. In sub-Saharan Africa (SSA) where disease burden is greatest, there are no universal NBS programs and few institutions have the capacity to conduct NBS. We determined the feasibility and challenges of implementing NBS for SCD in Ghana's largest public hospital. PROCEDURE: The SCD NBS program at Korle Bu Teaching Hospital (KBTH) is a multiyear partnership between the hospital and the SickKids Center for Global Child Health, Toronto, being implemented in phases. The 13-month demonstration phase (June 2017-July 2018) and phase one (November 2018-December 2019) focused on staff training and the feasibility of universal screening of babies born in KBTH. RESULTS: During the demonstration phase, 115 public health nurses and midwives acquired competency in heel stick for dried blood spot sampling. Out of 9990 newborns, 4427 babies (44.3%) were screened, of which 79 (1.8%) were identified with presumptive SCD (P-SCD). Major challenges identified included inadequate nursing staff to perform screening, shortage of screening supplies, and delays in receiving screening results. Strategies to overcome some of the challenges were incorporated into phase one, resulting in increased screening coverage to 83.7%. CONCLUSIONS: Implementing NBS for SCD in KBTH presented challenges with implications on achieving and sustaining universal NBS in KBTH and other settings in SSA. Specific steps addressing these challenges comprehensively will help build on the modest initial gains, moving closer toward a sustainable national NBS program.
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 | 0,000 | 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 ».