Global Access to Cardiac Surgery Centers: Distribution, Disparities, and Targets
Notice bibliographique
Résumé
BACKGROUND: Global data on cardiac surgery centers are outdated and survey-based. In 1995, there were 0.7 centers per million population, ranging from one per 120,000 in North America to one per 33 million in sub-Saharan Africa. This study analyzes the contemporary distribution of cardiac surgery centers and proposes targets relative to countries' cardiovascular disease (CVD) burdens. METHODS: Medical databases, gray literature, and governmental reports were used to identify the most recent post-2010 data that describe the number of centers performing cardiac surgery in each nation. The 2019 Institute for Health Metrics and Evaluation Global Burden of Disease Results Tool provided national CVD burdens. One-third of the CVD burden was assumed to be surgical. Center targets were proposed as the average or half of the average of centers per million surgical CVD patients in high-income countries. RESULTS: 5,111 cardiac surgery centers were identified across 230 nations and territories with available data, equaling 0.73 centers per million population. The median (interquartile range) number of centers ranged from 0 (0-0.06) per million in low-income countries to 0.75 (0-1.44) in high-income countries. Targets were 612.2 (optimistic) or 306.1 (conservative) centers per million surgical CVD incidence. In 2019, low-income, lower-middle-income, and upper-middle-income countries possessed 34.8, 149.0, and 271.9 centers per million surgical CVD incidence. CONCLUSION: Little progress has been made to increase cardiac surgery centers per population despite growing CVD burdens. Today's global cardiac surgical capacity remains insufficient, disproportionately affecting the world's poorest regions.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».