Assessing the utilization of cancer medicines in Rwanda: an analysis of treatment patterns
Notice bibliographique
Résumé
Introduction: Cancer is a growing public health concern in Africa, especially in low- and middle-income countries (LMICs) like Rwanda. Increased cancer incidences translate into increased utilisation of cancer medicine. Access to affordable cancer medicines in Rwanda is a pressing issue as the National Health Insurance plan does not provide coverage for cancer medicines. In this study, we investigated the utilisation patterns of cancer medicines in Rwanda. Methods: = 3) capable of delivering chemotherapy in Rwanda. The data collection was over a period of 6 months, during which a team of trained research assistants reviewed a convenience sample of selected patient charts. Both paper charts and electronic medical records were used to collect patients' data, including cancer type, stage, treatment setting, type of drugs or regimen used and completed cycles. Data were analysed using descriptive statistics. Results: = 303). Thirty-six percent (221/630) had stage III cancer. The most common regimens within the cohort were adriamycin, cyclophosphamide and taxane, capecitabine and oxaliplatin (CAPOX), paclitaxel + carboplatin and a single agent cisplatin given concurrently with radiotherapy. The proportion of chemotherapy that was given in the curative and palliative setting was 72% and 28% respectively. Conclusion: Access to affordable cancer medicines remains a challenge in Rwanda. The study's findings provide valuable information on the utilisation patterns of cancer medicines in Rwanda, which can be used to guide policy decisions and improve cancer care in the country.
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 | 0,002 |
| 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 ».