Assessing the Impact of Pre-Third-Party Logistics (PRE-3PLS) and 3PLS on Viral Load Sample Turn-around Time in the Management of HIV/AIDS Patients in Ekiti State, Nigeria: A Retrospective Cross-Sectional Study
Notice bibliographique
Résumé
Background: In 2014, The Joint United Nations Program on HIV/AIDS and its partners launched the 90–90–90 treatment targets, which aimed to diagnose 90% of all people living with Human Immunodeficiency Virus (PLHIV), 90% of PLHIV should be on antiretroviral therapy (ART) and 90% of those on ART should achieve viral suppression by 2020. Prompt HIV viral load testing and reporting is crucial to achieving the third 90% component of the target. This study aims to assess impact of Pre-Third-Party Logistics (Pre-3PLs) and Third-Party Logistics (3PLs) on viral load sample Turn-around Time (TAT) in the management of HIV/AIDS patients in Ekiti State, Nigeria Methods: A cross-sectional study was carried out in ten health facilities. Quantitative and qualitative data were collected and analyzed using the R statistical software. Results: High load facilities had a mean TAT of 83.68 and 30.76 days for pre-3PLs and 3PLs respectively with a mean difference of 52.92 days (95% CI:18.86-86.97, p<0.05). Low load facilities had a mean TAT of 104.4 and 26.9 days for pre-3PLs and 3PLs respectively with a mean difference of 77.38 days (95% CI: 64.50-90.26, p<0.05). Other than transportation, manpower, sample quality/integrity, reagent stockout and machine downtime, proximity, and human factors were also identified as factors associated with TAT. Conclusion: The TAT reduced significantly from pre 3PLs to the present era of 3PLs. The continuous use of 3PLs should be encouraged as this could further ensure that more PLHIV will have their viral load tested with their results received on time.
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 | 0,012 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».