The Burden of Treatment Among Delhi’s Homeless: An Analysis of Street Medicine Consultations
Notice bibliographique
Résumé
Background: The health challenges faced by the homeless are widely unaccounted for in the global south. In India, the lack of a primary healthcare sector in urban areas has led informal healthcare providers, such as Street Medicine, to step in. Methods: By compiling data collected by the Centre for Equity Studies’ Street Medicine teams from June 2016 to October 2018 (n =16,635), this study provides the first empirical assessment of the homeless disease burden in a global south country, while limited to only the people experiencing homelessness that the teams treat, hence being a burden of treatment. Our analysis quantifies this burden among those who seek care from Street Medicine teams and identifies variations in this burden’s distribution across demography and time. Results: The majority (n = 13,557; 81.5%) of Street Medicine cases can be attributed to 19 diagnoses or symptoms, which are mostly therapeutically-simple conditions. The distribution of disease seems to be affected by different configurations of three characteristics: demographics (age and sex), urban geography (where homeless reside), and season. Conclusion: The Street Medicine teams must reflect on the balance they wish to achieve by addressing the relatively common and mild conditions documented in the dataset, and more severe and established diseases within homeless communities. Rapid diagnostic tests for resource-constrained settings could be integrated into Street Medicine practice in order to strengthen the data on which resource allocation decisions are made and improve assessments of homeless disease burden.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».