Impact of the COVID-19 pandemic on quality of tuberculosis care in private facilities in Bandung, Indonesia: a repeated cross-sectional standardized patients study
Notice bibliographique
Résumé
BACKGROUND: Indonesia has the second highest incidence of tuberculosis in the world. While 74% of people with tuberculosis in Indonesia first accessed the private health sector when seeking care for their symptoms, only 18% of tuberculosis notifications originate in the private sector. Little is known about the impact of the COVID-19 pandemic on the private sector. Using unannounced standardized patient visits to private providers, we aimed to measure quality of tuberculosis care during the COVID-19 pandemic. METHODS: A cross-sectional study was conducted using standardized patients in Bandung City, West Java, Indonesia. Ten standardized patients completed 292 visits with private providers between 9 July 2021 and 21 January 2022, wherein standardized patients presented a presumptive tuberculosis case. Results were compared to standardized patients surveys conducted in the same geographical area before the onset of COVID-19. RESULTS: Overall, 35% (95% confidence interval (CI): 29.2-40.4%) of visits were managed correctly according to national tuberculosis guidelines. There were no significant differences in the clinical management of presumptive tuberculosis patients before and during the COVID-19 pandemic, apart from an increase in temperature checks (adjusted odds ratio (aOR): 8.05, 95% CI: 2.96-21.9, p < 0.001) and a decrease in throat examinations (aOR 0.16, 95% CI: 0.06-0.41, p = 0.002) conducted during the pandemic. CONCLUSIONS: Results indicate that providers successfully identify tuberculosis in their patients yet do not manage them according to national guidelines. There were no major changes found in quality of tuberculosis care due to the COVID-19 pandemic. As tuberculosis notifications have declined in Indonesia due to the COVID-19 pandemic, there remains an urgent need to increase private provider engagement in Indonesia and improve quality of care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».