Scoping Review of Kidney Patients and Providers Perspectives on Disaster Management
Notice bibliographique
Résumé
Introduction: Patients with kidney disease are uniquely vulnerable to disasters and the need to understand stakeholder experiences to improve disaster preparedness has been highlighted. We aimed to explore the existing literature capturing patient and provider perspectives, identify research gaps, and develop research priorities in disaster management. Methods: This was a scoping review of the empirical literature that has explored the lived experience and preparedness of patients, caregivers, or healthcare professionals during natural or human-caused disasters. A content analysis using an inductive approach was conducted. Results: = 1, related to the Russian invasion of Ukraine). The outcomes examined were variable focusing on the following 4 aspects of disaster management: (i) identifying patient-level issues (preparedness, personal challenges, and psychosocial impact); (ii) damage assessment (infrastructure and equipment, personnel, and patient outcomes); (iii) response assessment (hemodialysis treatments delivered or missed, delivery of other kidney replacement therapies, and identifying practice gaps); and (iv) system assessment (examining capabilities and addressing surge capacity). The studies were at risk of survivor bias and most only used an investigator-designed survey for data collection. There was a dearth of evidence capturing the perspectives of caregivers, and pediatric and other vulnerable patients. Conclusion: The literature examining patient and provider perspectives or experiences is scarce and at risk of bias. Methodological, population, outcome, process, and impact priorities are proposed to guide future research initiatives and generate evidence to inform context and disaster-specific relief efforts.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».