A national roadmap for improving children surgical care: an experience from Tanzania
Notice bibliographique
Résumé
PURPOSE: Nearly 1.75 billion children lack access to basic surgical care. The majority are in low- and middle-income countries (LMICs) where 50% of the population are children. Our aim was to develop a policy-level, action-orientated, and implementable strategy to improve children surgery in Tanzania. METHODS: A bottom-up participatory approach was used for needs assessment and priority setting. This started 2 years after the launch of Tanzania National Surgical, Obstetrics, and Anesthesia Plans (NSOAPs). Steps taken were: (i) stakeholder identification and engagement, (ii) desk review of existing research, (iii) focused research on access to children surgery, (iv) site visits and geographical mapping of the reach of selected hospitals, and (v) presentation to the ministry of health for validation. Findings were summarized in line with the NSOAP's building blocks. RESULTS: A bottom-up approach was feasible in identifying children surgical care challenges of policy priority. We noted that regional hospitals are the main provider of children surgery but majority lacked the necessary resources and were beyond recommended 2-hour reach. A super hub-hub-spoke model is a feasible model to pragmatically address patient, provider, facility and national challenges at all levels of healthcare system. CONCLUSION: Our findings propose a roadmap to practically achieve access to children surgery, complementing existing NSOAPs. It highlights feasibility of the approach in developing context relevant interventions that could guide integration of surgery in existing national plans. Developing a functional surgical system in LMICs should be pragmatic to improve overall quality of children surgical care despite limited resources.
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 | 0,001 | 0,001 |
| 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 ».