Unlocking the potential of informal healthcare providers in tuberculosis care: insights from India
Notice bibliographique
Résumé
In 2022, tuberculosis (TB) remained a major global health concern, second only to COVID-19 in mortality from a single infectious agent. Over 10 million people contract TB annually, with two-thirds of cases from eight high-burden countries. India alone accounted for 27% of the global burden, totalling an estimated 2.8 million cases.1 Notably, approximately 18% of these people were considered ‘missing’, either undiagnosed or not reported, because they were likely managed by the private sector, which serves the healthcare needs of about half of the patients with TB in the country. The private health sector in India, which delivers approximately 87% (in some regions, particularly if underserved) of initial primary care, is diverse and largely unregulated, extending from small clinics to multispecialty hospitals and ranging from informal providers to highly qualified specialists.2 This poses significant challenges, as patients seeking care from this sector often experience delayed TB diagnoses and inappropriate treatments.3 Therefore, to enhance TB care access and quality, it is essential to involve all healthcare providers in the private sector, both formal and informal, within the framework of the Public-Private Mix, as recommended by India’s National Strategic Plan (NSP) for TB elimination (2017–2025).
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 | 0,015 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,014 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».