The Landscape of Parkinson’s Disease Treatment in India: A National Cross-Sectional Survey of Clinical Practitioners
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
According to the Global Burden of Disease study, 5,75,946 people were living with Parkinson's Disease (PD) in India in 2016, constituting nearly 9.5% of the global PD population. 1 The relatively high proportion of early-onset PD (EOPD) in India adds to the socioeconomic burden and calls for focused public health strategies. 2 Prior studies have highlighted several critical challenges in PD care in India, such as suboptimal medication use, polypharmacy, anticholinergic burden and use of complementary and alternative medications. 3456 Studies also showed low uptake of advanced therapies, such as deep brain stimulation (DBS), due to financial constraints, lack of awareness, and late referrals. 7,8ite these insights, significant gaps remain in our understanding of the diversity of PD healthcare providers, access to allied health professionals, advanced therapies, and the impact of out-of-pocket expenditure on treatment adherence.Most existing evidence is drawn from patient charts or academic hospital-based samples, offering little insight into the perspectives of clinicians managing PD in diverse settings.To address these gaps, we conducted a nationwide cross-sectional survey of clinicians treating PD across India aiming to understand management practices, access to medications and advanced therapies such as DBS, availability of allied health professionals, funding sources, caregiving patterns, and challenges faced by healthcare providers treating PwPD.The survey questionnaire, developed by members of the Movement Disorders Society of India-National Parkinson Network (MDSI-NPN), comprised 50 questions covering six domains: clinical diagnosis, treatment availability and resources, funding availability, caregiving and burden of care, practice patterns, and miscellaneous topics in addition to 7 questions regarding participant demography.
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.
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 découle