The Chronic Kidney Disease in Africa (CKD-Africa) collaboration: lessons from a new pan-African network
Notice bibliographique
Résumé
Chronic kidney disease (CKD) is a global public health problem, seemingly affecting individuals from low-income and-middle-income countries (LMICs) disproportionately, especially in sub-Saharan Africa. Despite the growing evidence pointing to an increasing prevalence of CKD across Africa, there has not been an Africa-wide concerted effort to provide reliable estimates that could adequately inform health services planning and policy development to address the consequences of CKD. Therefore, we established the CKD in Africa (CKD-Africa) Collaboration. To date, the network has curated data from 39 studies conducted in 12 African countries, totalling 35 747 participants, of which most are from sub-Saharan Africa. We are, however, continuously seeking further collaborations with other groups who have suitable data to grow the network. Although many successful research consortia exist, few papers have been published (with none from Africa) detailing the challenges faced and lessons learnt in setting up and managing a research consortium. Drawing on our experience, we describe the steps taken and the key factors required to establish a functional collaborative consortium among researchers in Africa. In addition, we present the challenges we encountered in building our network, how we managed those challenges and the benefit of such a collaboration for Africa. Although the CKD-Africa Collaboration is focused primarily on CKD research, many of the lessons learnt can be applied more widely in public health research 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».