Bridging the gap between primary care and specialist obstetrics: A collaborative model for managing high-risk pregnancies in rural Nigeria
Notice bibliographique
Résumé
High-risk pregnancies contribute significantly to maternal morbidity and mortality in rural Nigeria due to fragmented care and weak referral systems. Primary health centers often lack the resources, training, and specialist linkages needed to manage obstetric emergencies effectively. This manuscript proposes a collaborative care model that strengthens the interface between primary care providers and specialist obstetric services to improve outcomes for high-risk pregnancies in rural settings. We describe a theoretical pilot model involving structured task-sharing, digital triage platforms, and referral coordination through designated family physicians. Key components include WhatsApp-based consultation groups, standardized referral protocols, and quarterly case review meetings between primary and tertiary providers. The model outlines measurable outcomes such as improved referral accuracy, reduced time to definitive care, and enhanced provider confidence. It also identifies implementation challenges including transport delays, network connectivity issues, and role ambiguity among providers. Sustainability requires ongoing training, alignment with national maternal health policies, investment in rural infrastructure, and workforce retention strategies. Embedding such models into existing health systems could bridge critical gaps and reduce preventable maternal deaths. A scalable, collaborative model integrating primary and specialist obstetric care holds promise for addressing systemic delays and improving maternal outcomes in rural Nigeria. Institutional commitment and policy alignment are essential for successful implementation. Keywords: High Risk Pregnancy, Maternal Mortality, Family Physicians, Maternal Health, Primary Care.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».