Health service factors influencing uptake of cervical visual inspection with acetic acid in selected health facilities in Embu County, Kenya
Notice bibliographique
Résumé
BACKGROUND 
 Cervical cancer is the second most common cancer among females in developing countries. Despite widespread screening efforts for cancer of the cervix and training on VIA/VILLI, deaths due to cervical cancer remain high. This study aimed to determine Health Service Provider factors influencing the uptake of cervical cancer screening by VIA in selected health facilities in Embu County, Kenya. 
 METHODOLOGY 
 Data were collected from 14 healthcare providers who were the initial study respondents from 7 purposively selected health facilities. Data collection tools were self-administered questionnaires and structured interviews for key informants. Additional secondary data were obtained from the health facility records and KDHS 2014. For data analysis, both quantitative and qualitative techniques of analysis were applied.
 RESULTS 
 Lack of awareness creation on VIA, lack of skills to do VIA, lack of supplies for VIA, cost and fear of speculum examination by women were some factors leading to low uptake of cervical cancer screening. 
 CONCLUSIONS AND RECOMMENDATIONS 
 Increasing awareness of VIA needs to be done such as through recruitment of male champions for cervical cancer screening to mobilize and participate in awareness campaigns. Moreover, there needs to be an increase in the number of health care providers trained in VIA and cryotherapy and creating a pool of trainers of other health service providers. Additionally, the provision of VIA supplies needs to be ensured and VIA services offered free of charge. MOH and county governments' departments of health should ensure support supervision at least once per quarter to the health care workers trained on VIA.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| 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) | 0,000 | 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 ».