Challenges and opportunities in ovarian cancer care: A qualitative study of clinician perspectives from 24 low- and middle-income countries
Notice bibliographique
Résumé
BACKGROUND: Ovarian cancer poses a significant and growing burden, particularly in low- and middle-income countries (LMICs) where incidence and mortality are projected to increase by over 50 % by 2050. However, there is a critical lack of qualitative data on the challenges and opportunities for improvement in treatment and care for women with ovarian cancer in these regions. The aim of this research is to investigate clinicians' perspectives on the matter in 24 LMICs. METHODS: As part of the multi-country observational Every Woman Study™ (EWS), semi-structured interviews were conducted with clinicians between June 2022 and June 2023. The interview guide was developed by the EWS LMIC Oversight Committee, including patients, clinicians and data specialists. Relational content and inductive thematic analyses were employed and categories synthesized using the World Health Organization's six building blocks of the Health Systems Framework. RESULTS: 24 clinicians (54 % female; 79 % gynaecologic oncologists, 8 % gynaecologists, 8 % clinical oncologists not specializing in gynaecological cancers, and 4 % clinical oncologists specializing in gynaecological cancers; 42 % from Africa, 29 % from Asia, 29 % from Latin America) participated. Six dominant themes were identified: "Poor Ovarian Cancer Data'', "Inequity in Access to Treatment", "In-Country Inequities in Access to Care", "Role of Cultural Norms on Women's Health", "Increased Engagement of Men in Ovarian Cancer Control", and "Advocacy and Education for Empowering Women". Content analysis revealed system-level challenges such as delayed drug payments, lack of population-based cancer data, and limited imaging facilities. Patient-level challenges included disparities in access to specialists, limited medication affordability, poor symptom recognition, and reliance on alternative treatments. CONCLUSIONS AND POLICY SUMMARY: This study reveals the complexity of ovarian cancer treatment and care in LMICs and the need to mitigate disparities in these regions, underscoring the need for patient-centred, context specific and intersectoral strategies to be considered in cancer planning to improve ovarian cancer care quality and equity in LMICs.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».