Mental health capacity building in Mali by training rural general practitioners and raising community awareness
Notice bibliographique
Résumé
INTRODUCTION: despite the high prevalence and significant burden of mental disorders, they remain grossly under-diagnosed and undertreated. In low-income countries, such as Mali, integrating mental health services into primary care is the most viable way of closing the treatment gap. This program aimed to provide a mental health training intervention to rural general practitioners (GPs), to organize community awareness activities, and to evaluate the impact on mental health knowledge and through the number of new patients diagnosed with mental disorders and managed by these general practitioners. METHODS: a pre-test/post-test design and the monthly monitoring of the number of new patients diagnosed with mental disorders by the trained GPs were used to evaluate the effect of the training interventions (two face-to-face group training workshops followed by individual follow-up supervisions) and of the community awareness activities. RESULTS: the mean knowledge score of the 19 GPs who completed the initial 12-day group training raised from 24.6/100 at baseline, to 61.5/100 after training (p<0.001), a 150% increase. Among them, sixteen completed the second 6-day group training with a mean score increasing from 50.2/100 to 70.1/100 (p<0.001), a 39.6% improvement. Between July 2018 and June 2020, 2,396 new patients were diagnosed with a mental disorder by the 19 GPs who took part in the program. CONCLUSION: despite limited data regarding the effect of the community awareness component at this stage, the findings from this study suggest that the training intervention improved GPs' knowledge and skills, resulting in a significant number of new patients being identified and managed.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».