Bridging gaps: a qualitative inquiry on improving paediatric rheumatology care among healthcare workers in Kenya
Notice bibliographique
Résumé
BACKGROUND: Due to the paucity of paediatric rheumatologists in Kenya, it is paramount that we explore strategies to bridge clinical care gaps for paediatric rheumatology patients in order to promote early diagnosis, prompt referral, and optimal management. PURPOSE: To identify proposed interventions which can improve the ability of non-specialist healthcare workers to care for paediatric rheumatology patients across Kenya. METHODS: We conducted 12 focus group discussions with clinical officers (community physician assistants), nurses, general practitioners and paediatricians across six regions in Kenya. Interviews were conducted, audio-recorded, transcribed verbatim, and analysed using MAXQDA 2022.2 software. RESULTS: A total of 68 individuals participated in the study; 11 clinical officers, 12 nurses, 10 general practitioners, 27 paediatricians and eight other healthcare workers. Proposed patient interventions included patient education and psychosocial support. Community interventions were outreach awareness campaigns, mobilising financial support for patients' care, mobilising patients to access diagnostic and therapeutic interventions. Healthcare worker interventions include diagnostic, management, and referral guidelines, as well as research and educational interventions related to symptom identification, therapeutic strategies, and effective patient communication skills. In addition, it was highlighted that healthcare systems should be bolstered to improve insurance coverage and access to integrated multi-disciplinary clinical care. CONCLUSIONS: Study participants were able to identify potential initiatives to improve paediatric rheumatology care in Kenya. Additional efforts are underway to design, implement and monitor the impact of some of these potential interventions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».