Trauma Training Courses and Programs in Low‐ and Lower Middle‐Income Countries: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Injury is the leading cause of morbidity and mortality in low- and lower middle-income countries (LMICs). Trauma training is a cost-effective way to improve injury outcomes. Several trauma programs have been implemented in LMICs; however, their scope and effectiveness remain unclear. In this review, we sought to describe and assess the current state of trauma training in LMICs. METHODS: We searched MEDLINE, Embase, Global Health, Cochrane Library, and ProQuest Dissertations & Theses Global for trauma training courses in LMICs. An additional gray literature search was conducted on university, governmental, and non- governmental organizations' websites to identify trauma-related postgraduate medical education (PGME) opportunities. RESULTS: Most studies occurred in sub-Saharan Africa and participants were primarily physicians/surgeons, medical students/residents, and nurses. General and surgical trauma management courses were most common, followed by orthopedic trauma or plastic surgery trauma/burn care courses. 32/45 studies reported on participant knowledge and skills, 27 of which had minimal follow-up. Of the four studies commenting on cost of courses, only one demonstrated cost-effectiveness. Three articles evaluated post-course effects on patient outcomes, two of which failed to demonstrate significant improvements. Overall, 43.0% of LMICs have PGME programs with defined trauma competency requirements. CONCLUSIONS: Current studies on trauma training in LMICs do not clearly demonstrate sustainability, cost-effectiveness, nor improved outcomes. Trauma training programs should be in response to a need, championed locally, and work within a cohesive system to demonstrate concrete benefits. We recommend standardized and contextualized trauma training with recertifications in LMICs for lasting and improved trauma care.
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) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».