Prescribing practices for presumptive TB among private general practitioners in South Africa: a cross-sectional, standardised patient study
Notice bibliographique
Résumé
INTRODUCTION: Medicine prescribing practices are integral to quality of care for leading infectious diseases such as tuberculosis (TB). We describe prescribing practices in South Africa's private health sector, where an estimated third of people with TB symptoms first seek care. METHODS: Sixteen standardised patients (SPs) presented one of three cases during unannounced visits to private general practitioners (GPs) in Durban and Cape Town: TB symptoms, HIV-positive; TB symptoms, a positive molecular test for TB, HIV-negative; and TB symptoms, history of incomplete TB treatment, HIV-positive. Prescribing practices were recorded in standardised exit interviews and analysed based on their potential to contribute to negative outcomes, including increased healthcare expenditures, antibiotic overuse or misuse, and TB diagnostic delay. Factors associated with antibiotic use were assessed using Poisson regression with a robust variance estimator. RESULTS: Between August 2018 and July 2019, 511 SP visits were completed with 212 GPs. In 88.5% (95% CI 85.2% to 91.1%) of visits, at least one medicine (median 3) was dispensed or prescribed and most (93%) were directly dispensed. Antibiotics, which can contribute to TB diagnostic delay, were the most common medicine (76.5%, 95% CI 71.7% to 80.7% of all visits). A majority (86.1%, 95% CI 82.9% to 88.5%) belonged to the WHO Access group; fluoroquinolones made up 8.8% (95% CI 6.3% to 12.3%). Factors associated with antibiotic use included if the SP was asked to follow-up if symptoms persisted (RR 1.14, 95% CI 1.04 to 1.25) and if the SP presented as HIV-positive (RR 1.11, 95% CI 1.01 to 1.23). An injection was offered in 31.9% (95% CI 27.0% to 37.2%) of visits; 92% were unexplained. Most (61.8%, 95% CI 60.2% to 63.3%) medicines were not listed on the South African Primary Healthcare Essential Medicines List. CONCLUSION: Prescribing practices among private GPs for persons presenting with TB-like symptoms in South Africa raise concern about inappropriate antimicrobial use, private healthcare costs and TB diagnostic delay.
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 | 0,001 | 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 | 0,000 |
| 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 ».