Improving investment in chronic disease care in Sub-Saharan Africa is crucial for the achievement of SDG 3.4: application of the chronic care model
Notice bibliographique
Résumé
Over 41 million people die of chronic non-communicable diseases (CNCDs) each year, accounting for 71% of all global deaths. The burden of CNCD is specifically a problem in sub-Saharan Africa (SSA) since CNCDs are largely a leading major cause of mortality in the sub-region. While the disease burden and mortality from chronic non-communicable diseases (CNCDs) have reached an epidemic threshold in sub-Saharan Africa (SSA), health systems, policy-makers and individuals still consider CNCDs to be uncommon and, therefore, do not give its management the required attention. In sub-Saharan Africa (SSA), effectively addressing the growing burden of CNCDs will require comprehensive measures that incorporate both curative and preventive interventions, towards achieving the Sustainable Development Goal (SDG) 3.4 target of reducing by one-third premature mortality from CNCDs through prevention and treatment and the promotion of mental health and well-being by the year 2030. In this commentary, we adopt the Chronic Care Model (CCM) to discuss how improved investment in Chronic Disease Care is crucial in achieving the SDG target in SSA. At the health systems level of the CCM, we propose that countries in SSA should increase the proportion of their annual budgets allocated to health in line with the Abuja Declaration of 2001. Social health insurance should also be adopted by all countries and effectively implemented. At the community level, we propose intensified community-based health education, the formation of peer support groups and the implementation of community-based policies that promote healthy eating and physical activity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».