The initiative for medical equity and global health (IMEGH) resuscitation training program: A model for resuscitation training courses in Africa
Notice bibliographique
Résumé
In high-income countries, outcomes following in hospital cardiac arrest have improved over the last two decades due to the introduction of rapid response teams, cardiac arrest teams, and advanced resuscitation training. However, in low-income countries, such as Rwanda, outcomes are still poor. This is due to multiple factors including lack of adequate resuscitation training, few trainers, and lack of equipment. To address this issue, the Initiative for Medical Equity and Global Health Equity (IMEGH), a training organization founded in 2018 by 5 local anesthesiologists has regularly taught resuscitation courses such as Basic Life Support, Advanced Cardiac Life Support, and Pediatric Advanced Life Support in hospitals throughout Rwanda. The aims of the organization include developing a sustainable model to offer context relevant resuscitation training courses, building a cadre of local instructors to teach on the courses, as well as engaging funding partners to help support the effort. From October 2018 until September 2022, 31 courses were run in 11 hospitals across Rwanda training 1,060 healthcare providers (mainly of non-physician anesthetists, nurses, midwives, and general practitioners). Ongoing challenges include lack of local protocols, inability to tracking resuscitation outcomes, and continued inaccessibility by many healthcare providers. Despite these challenges, the IMEGH program is an example of a successful context-relevant model and has potential to inform the design of resuscitation programs in other similar settings. This article describes the development of the IMEGH program, accomplishments as well as lessons learned, challenges, and next steps for expansion.
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 | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».