Medical Tourism for Cancer Treatment: Trends, Trajectories, and Perspectives From African Countries
Notice bibliographique
Résumé
PURPOSE: Cancer continues to be a significant public health concern. Sub-Saharan Africa (SSA) struggles with a lack of proper infrastructure and adequate cancer care workforce. This has led to some countries relying on referrals of cancer care to countries with higher income levels. In some instances, patients refer themselves. Some countries have made it their goal to attract patients from other countries, a term that has been referred to as medical tourism. In this article, we explore the current status of oncology-related medical tourism in SSA. METHODS: This was a cross-sectional study. The study participants included oncologists, surgeons, and any other physicians who take care of patients with cancer. A predesigned questionnaire was distributed through African Organization for Research and Training in Cancer member mailing list and through study team personal contacts and social media. RESULTS: A total of 52 participants from 17 African countries with a 1.6:2 male to female ratio responded to the survey. Most (55.8%) of the respondents were from Eastern African countries. The majority (92%) of study participants reported that they knew patients who referred themselves abroad, whereas 75% referred patients abroad, and the most common (94%) referral destination was India. The most common (93%) reason for referral was perception of a higher quality of care in foreign health institutions. CONCLUSION: The findings suggest the need to improve local health care systems including building trust of the system among general population. The study highlights potential financial toxicity, and it adds to the current emphasis on return of investment on homegrown workforce and cancer treatment infrastructure.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».