Impacting trauma care in resource‐limited settings: Lessons learned from Tanzania's web‐based trauma registry initiatives
Notice bibliographique
Résumé
BACKGROUND: at the Tanzanian Muhimbili Orthopedic Institute (MOI) but noted several drawbacks. In 2023, we introduced a robust web-based trauma registry platform. This study assesses the feasibility and utility of implementing the platform at MOI and summarizes challenges, lessons, and results compared to existing systems. METHODS: This prospective observational study involved clinicians collecting data directly on the platform at the point-of-care, following specific training. Semi-structured interviews with local stakeholders identified challenges and areas for improvement. Data were reported from July to December 2023. RESULTS: Data from 2930 patients showed 59% of injuries were from road traffic collisions (RTCs), with 43% of patients arriving at MOI by non-ambulances. Our findings show that non-ambulance arrivals were associated with higher injury severity (p < 0.026), mortalities (p < 0.017), and delayed hospital arrival (p < 0.004), underscoring the critical role of prompt transport in trauma management. The new platform identified trauma care gaps, with a mean arrival-to-care time of 29.89 min, prompting trauma training at MOI to enhance clinician capacities. It also demonstrated superiority over existing systems by improving data completeness, timeliness, and usability. Challenges included gaining support for the platform's functionality, technology integration, and navigating administrative changes. With continued communication, stakeholder acceptance and support were achieved. CONCLUSION: The web-based platform has become MOI's standard trauma database, demonstrating its feasibility and utility. It overcame the existing challenges of data completeness, timeliness, and usability for policymaking. Positive feedback has prompted plans to expand the platform to other hospitals, benefiting clinical benchmarking and trauma preventive efforts. Ensuring sustainability requires involvement from the Ministry of Health, ongoing training, functionality enhancements, and strengthened global partnerships.
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 | 0,021 | 0,027 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».