Examining the surgical backlog due to COVID-19 in Latin America and the Caribbean: insights from a scoping review
Notice bibliographique
Résumé
This scoping review assessed the surgical backlog in Latin America and the Caribbean (LAC) due to COVID-19 and identified mitigation strategies. We searched seven databases for citations from December 2019 to December 2022, focusing on LAC patients with cancelled or postponed procedures. We registered our protocol at Open Science Framework (https://osf.io/x2nd8) and adhered to PRISMA-ScR guidelines. We included 83 citations covering 23 LAC countries and 19 surgical specialities, with Brazil (67%, 56/83) and transplant surgery (24%, 20/83) being the most documented. Surgical backlogs were mainly reported at the hospital (44%, 37/83) and national levels (38%, 32/83). We identified 58 citations that reported a total of 42 strategies to mitigate the backlog, the most cited being establishing prioritisation criteria for surgical cases (41%, 24/58). Our findings highlight challenges across differing healthcare systems in LAC, including disparities in data availability, surgical capacity, and resource allocation. For instance, while countries like Brazil had extensive data on national surgical backlogs, others lacked comprehensive national-level data. Our review can help inform policymakers and healthcare stakeholders to implement targeted interventions to prepare LAC-based surgical systems for future health emergencies.
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 | 0,024 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,027 | 0,035 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».