Cataract services for all: Strategies for equitable access from a global modified Delphi process
Notice bibliographique
Résumé
Vision loss from cataract is unequally distributed, and there is very little evidence on how to overcome this inequity. This project aimed to engage multiple stakeholder groups to identify and prioritise (1) delivery strategies that improve access to cataract services for under-served groups and (2) population groups to target with these strategies across world regions. We recruited panellists knowledgeable about cataract services from eight world regions to complete a two-round online modified Delphi process. In Round 1, panellists answered open-ended questions about strategies to improve access to screening and surgery for cataract, and which population groups to target with these strategies. In Round 2, panellists ranked the strategies and groups to arrive at the final lists regionally and globally. 183 people completed both rounds (46% women). In total, 22 distinct population groups were identified. At the global level the priority groups for improving access to cataract services were people in rural/remote areas, with low socioeconomic status and low social support. South Asia and Sub-Saharan Africa were the only regions in which panellists ranked women in the top 5 priority groups. Panellists identified 16 and 19 discreet strategies to improve access to screening and surgical services, respectively. These mostly addressed health system/supply side factors, including policy, human resources, financing and service delivery. We believe these results can serve eye health decision-makers, researchers and funders as a starting point for coordinated action to improve access to cataract services, particularly among population groups who have historically been left behind.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».