MétaCan
Menu
Retour à la cohorte
Enregistrement W4360839090 · doi:10.1371/journal.pgph.0001618

Tuberculosis service disruptions and adaptations during the first year of the COVID-19 pandemic in the private health sector of two urban settings in Nigeria—A mixed methods study

2023· article· en· W4360839090 sur OpenAlexafffund
Charity Oga‐Omenka, Angelina Sassi, Nathaly Aguilera Vasquez, Elaine Baruwa, Lauren Rosapep, Benjamin Daniels, Bolanle Olusola-Faleye, Lavanya Huria, Abdu A. Adamu, Benjamin Johns, Jishnu Das, Madhukar Pai

Notice bibliographique

RevuePLOS Global Public Health · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 diagnosis using AI
Établissements canadiensMcGill UniversityUniversity of Waterloo
Organismes subventionnairesMcGill UniversityBill and Melinda Gates FoundationUnited States Agency for International Development
Mots-clésGovernment (linguistics)PandemicPrivate sectorHealth carePharmacyBusinessMedicineTuberculosisService providerEnvironmental healthCoronavirus disease 2019 (COVID-19)Service (business)Family medicineEconomic growthMarketingDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Nigeria has the second largest share of undiagnosed TB cases in the world and a large private health sector estimated to be the point of initial care-seeking for 67% of TB patients. There is evidence that COVID-19 restrictions disrupted private healthcare provision, but insufficient data on how private healthcare provision changed as a result of the pandemic. We conducted qualitative interviews and a survey to assess the impact of the pandemic, and government response on private healthcare provision, and the disruptions providers experienced, particularly for TB services. Using mixed methods, we targeted policymakers, and a network of clinical facilities, laboratories, community pharmacies, and medicine vendors in Kano and Lagos, Nigeria. We interviewed 11 policymakers, surveyed participants in 2,412 private facilities. Most (n = 1,676, 70%) facilities remained open during the initial lockdown period, and most (n = 1,667, 69%) offered TB screening. TB notifications dipped during the lockdown periods but quickly recovered. Clinical facilities reported disruptions in availability of medical supplies, staff, required renovations, patient volume and income. Few private providers (n = 119, 11% in Kano; n = 323, 25% in Lagos) offered any COVID-19 screening up to the time of the survey, as these were only available in designated facilities. These findings aligned with the interviews as policymakers reported a gradual return to pre-COVID services after initial disruptions and diversion of resources to the pandemic response. Our results show that COVID-19 and control measures had a temporary impact on private sector TB care. Although some facilities saw decreases in TB notifications, private facilities continued to provide care for individuals with TB who otherwise might have been unable to seek care in the public sector. Our findings highlight resilience in the private sector as they recovered fairly quickly from pandemic-related disruptions, and the important role private providers can play in supporting TB control efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,102
Tête enseignante GPT0,422
Écart entre enseignants0,320 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLOS Global Public HealthMême sujetCOVID-19 diagnosis using AITravaux en français237 207