Identifying Barriers in Access to Care for Head and Neck Cancer Patients: A Field Study in Dakar
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: To identify barriers in access to care for head and neck cancer (H&NC) patients in low- and middle-income countries (LMICs), specifically within Dakar, Senegal, using both quantitative and qualitative data. STUDY DESIGN: Descriptive observational study. METHODS: Patients with H&NC were selected from two independent university hospitals in Dakar, Senegal. A mixed-methods descriptive study was performed using a specifically tailored questionnaire and a focused ethnographic qualitative approach to identify factors that delay patient presentation, referral, and treatment. Quantitative data were analyzed using descriptive statistics and qualitative using a deductive approach based on a systematic review of the literature. RESULTS: Thirty-three patients with a mean age of 57.8 years were included. Presentation delay was 5.7 months, mainly attributed to cost of consultation (39%), waiting time at doctor's office (15%), and distance to healthcare facility (12%). Referral delay greater than 3 months was observed in 60% of participants, secondary to misdiagnosis and lack of appropriate referral. Treatment delay was associated with limited local treatment capacity and securing cost of treatment. Cost of transportation impacted all delays. CONCLUSIONS: This work used an evidence-based approach to identify barriers in access to care for H&NC patients in sub-Saharan Africa. It suggests the feasibility and transferability of this methodology which combined a quantitative approach based on the literature with a qualitative analysis. Insight provided by this study will be used to guide development of implementation strategies for early detection of H&NC in LMICs. LEVEL OF EVIDENCE: 4 Laryngoscope, 132:1219-1223, 2022.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».