Factors Influencing the Implementation of Remote Delivery Strategies for Non-Communicable Disease Care in Low- and Middle-Income Countries: A Narrative Review
Notice bibliographique
Résumé
Objectives: The COVID-19 pandemic has disrupted health care for non-communicable diseases (NCDs) and necessitated strategies to minimize contact with facilities. We aimed to examine factors influencing implementation of remote (non-facility-based) delivery approaches for people with hypertension and/or diabetes in low- and middle-income countries (LMICs), to inform NCD care delivery during health service disruption, including humanitarian crises. Methods: Our narrative review used a hermeneutic and purposive approach, including primary studies conducted in LMICs, which assessed implementation factors influencing remote NCD care delivery. Results were analyzed using the Consolidated Framework for Implementation Research. Results: Twenty-eight included studies revealed the strong influence of both internal organizational and broader contextual factors, such as community health worker policies or technological environment. Addressing patients’ specific characteristics, needs and resources was important for implementation success. Conclusion: This review highlighted the multiple, complex, interdependent factors influencing implementation of remote NCD care in LMICs. Our findings may inform actors designing NCD care delivery in contexts where facility-based access is challenging. Implementation research is needed to evaluate context-adapted e-Health, community-based, and simplified clinical management strategies to facilitate remote NCD 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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».