Out of hospital emergency care in Nigeria: A narrative review
Notice bibliographique
Résumé
Introduction: Out of Hospital Emergency Care (OHEC) in Nigeria, the most populous country with the highest GDP in Africa, is considered inadequate. A better understanding of the current state of OHEC is essential to address the country's unique challenges and offer potential solutions. Objectives: This paper sought to identify gaps, barriers, and facilitators in implementing an OHEC model in Nigeria and provide recommendations for improvement. Methods: We searched MEDLINE (PubMed), Embase (OVID), CINAHL (EBSCO), and Google Scholar, using combinations of "emergency medical care" ('FRC,' 'PHC,' and 'EMS') OR prehospital care OR emergency training' AND 'Nigeria.' We included papers that described OHEC in Nigeria and were published in English. Of the initial 73 papers, those that met our inclusion criteria and those obtained after examination of reference lists comprised the 20 papers that contributed to our final review. Two authors independently reviewed all the papers, extracted data relevant to our objectives and performed a content analysis. All authors reviewed, discussed, and refined the proposed recommendations. Key recommendations: For OHEC to meet the needs of Nigerians and achieve international standards, the following challenges need to be addressed: harmful cultural practices, inadequate training of citizens in the provision of first aid or of professionals that provide prehospital care, lack of proper infrastructure, poor communication, absent policy, and poor funding. Based on the available literature, this paper proposes key recommendations to improve OHEC with the hope of improving the standards of living. The federal government should provide general oversight, but this will require political will on the part of the country's leadership and the provision of adequate funding.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».