Abstract P191: Health Services Availability And Readiness For Management Of Hypertension And Diabetes In Primary Level Healthcare Facilities In Ghana
Notice bibliographique
Résumé
Background: Hypertension (HTN) and diabetes (DM) are the leading cause of adult morbidity and mortality in Ghana and other African countries. We explored the service availability (SA) and readiness (SR) of health systems for managing HTN and DM in the Bono Region, Ghana. Methods: We conducted a multi-center cross-sectional study of four primary health facilities between June 2022 and July 2022. We modified the World Health Organization (WHO) Service Availability and Readiness Assessment tool to focus on management of HTN and DM. We computed composite scores for SR based on domains of functional equipment, diagnostic capacity, medications, and clinical guidelines & protocols; SA based on service-specific domains and stratified by facility ownership (Mission vs Government). At a cutoff value of 70%, services were considered "available" or facility "ready" to manage HTN and DM based on previous studies. Results: The median number of HCWs was 7 (IQR 2-7). The overall average SR and SA scores were 75.5% and 63% respectively (Fig A & B). SR scores were higher at mission hospitals (84.5%) than at government hospitals. SA scores were generally lower than SR Scores for both Mission and Government facilities. Half of the health facilities had guidelines and had CVD training in the last 2 years (n = 2; 50%), and all (n=4,100%) had received supervisory visits regarding CVD care in the last three months. Conclusion: There are gaps in diagnostic capacity, basic equipment, clinical guidelines, and a limited number of physicians accounting for low scores, particularly in government facilities. Improving resource allocation and implementing a team-based care policy may enhance HTN and DM care in Ghana .
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».