Mobile colposcopy by trained nurses in a cervical cancer screening programme at Battor, Ghana
Notice bibliographique
Résumé
Objectives: Cervical precancer screening programs are difficult to establish in low resource settings partly because of a lack of human resource. Our aiming was to overcome this challenge. We hypothesized that this could be done through task shifting to trained nurses. Design: Descriptive retrospective cross-sectional review. Setting: Training was at the Cervical Cancer Prevention and Training Center (CCPTC) and screening was carried out at the clinic and at outreaches / peripheral facilities. Participants: All women who reported to the clinic for screening or were recruited during outreaches. Interventions: All 4 nurses were trained for at least 2weeks (module 1). A total of 904 women were screened by the trained nurses using the EVA system. Quality assurance was ensured. Main outcome measures: Primary screening and follow-up were carried out by the trained nurses with quality assured through image sharing and meetings with peers and experienced gynaecologists. Results: 828 women had primary screening and 76 had follow-up screening. 739 (89.3%) were screened at the clinic and 89 (10.7%) at outreaches/peripheral facilities. Of all screened, 130 (14.5%) had cervical lesions, and 25 (2.8%) were treated, 12 (48.0%) by Loop Electrosurgical Excision Procedure (LEEP) performed by a gynaecologist, 11 (44.0%) with thermal coagulation by trained nurses except one, and 2 (8.0%) with cryotherapy by trained nurses. Conclusion: We demonstrate the utility of a model where nurses trained in basic colposcopy can be used to successfully implement a cervical precancer screening and treatment program in low-resource settings. Funding: None indicated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».