Uptake of breast cancer screening methods: perspectives of members of staff of Federal Medical Centre, Abeokuta
Notice bibliographique
Résumé
Introduction: Breast cancer (BC) was ranked the most common among the top ten malignancies in 2022, evidenced by high incidence and rates rapid mortality and morbidity rates in Nigeria. BC screening method (BCSM) helps to discover BC early, gives more treatment options and raises cancer survival rates. Little is known about the utilisation of BCSM in this community, which prompted this study. Objective: This study was conducted among the staff of the Federal Medical Center, Abeokuta, and it assessed their knowledge, attitudes and use of BCSM. Methods: This study selected 270 staff members using a descriptive cross-sectional method and a convenience sampling technique. Data were analysed using the Statistical Package for Social Sciences version 25.0. Hypotheses were tested using chi-square, multiple linear regression and Pearson correlation coefficient at a 0.05 level of significance. Results: The study's results showed a high BCSM knowledge level of 71.9% but a low utilisation level of 57.8%; however, there was a positive attitude towards utilisation. Additionally, there was a significant relationship between staff members' gender, age, educational qualifications, department and both their knowledge and utilisation of BCSM (p < 0.05). The Pearson correlation revealed a positive trend between knowledge and utilisation. Conclusion: BCSM offers an opportunity for early detection, diagnosis and disease prevention of BC; it also serves as an avenue to inform and enlighten people on important health issues, including health promotion activities and screening as they pertain to BC. More BC awareness programs are advocated to educate people on the importance of BC Screening to enhance early detection and treatment.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».