Oncology Training Needs Assessment Among Health Care Professionals in Nigeria
Notice bibliographique
Résumé
PURPOSE This study investigated the status of training and preparedness for oncology practice and research and degree of interprofessional collaboration among health care professionals in the six geopolitical regions of Nigeria. METHODS A convergent parallel mixed methods design was used. Three hundred seventeen respondents completed a three-part, online questionnaire. Self-rated competencies in oncology research (26 items), oncology practice (16 items), and interprofessional collaboration (nine items) were assessed with a one- to five-point Likert scale. Six key informant and 24 in-depth interviews were conducted. Descriptive statistics, analysis of variance, and pairwise t-test were used to analyze the quantitative data, whereas thematic analysis was used for the qualitative data. RESULTS Respondents were mostly female (65.6%) with a mean age of 40.5 ± 8.3 years. Respondents include 178 nurses (56.2%), 93 medical doctors (29.3%), and 46 pharmacists (14.5%). Self-assessed competencies in oncology practice differed significantly across the three groups of health care professionals ( F = 4.789, P = .009). However, there was no significant difference across professions for competency in oncology research ( F = 1.256, P = .286) and interprofessional collaboration ( F = 1.120, P = .327). The majority of respondents (267, 82.4%) felt that educational opportunities in oncology-associated research in the country are inadequate and that this has implications for practice. Key training gaps reported include poor preparedness in data analysis and bioinformatics (138, 43.5%), writing clinical trials (119, 37.5%), and writing grant/research proposals (105, 33.1%). Challenges contributing to gaps in cancer research include few trained oncology specialists, low funding for research, and inadequate interprofessional collaboration. CONCLUSION This study highlights gaps in oncology training and practice and an urgent need for interventions to enhance interprofessional training to improve quality of cancer care in Nigeria. These would accelerate progress toward strengthening the health care system and reducing global disparities in cancer outcomes.
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) | 0,001 | 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 | 0,001 |
| 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 ».