Systematic Review of Surgical Literature from Resource‐Limited Countries: Developing Strategies for Success
Notice bibliographique
Résumé
BACKGROUND: Injuries and surgical diseases are leading causes of global mortality. We sought to identify successful strategies to augment surgical capacity and research endeavors in low-income countries (LIC's) based on existing peer-reviewed literature. METHODS: A systematic review of literature from or pertaining to LIC's from January 2002 to December 2011 was performed. Variables analyzed included type of intervention performed, research methodology, and publication demographics such as surgical specialty, partnerships involved, authorship contribution, place and journal of publication. FINDINGS: A total of 2049 articles met the inclusion criteria between 2002 and 2011. The two most common study methodologies performed were case series (44%) and case reports (18%). A total of 43% of publications were without outcome measures. Only 21% of all publications were authored by a collaboration of authors from low-income countries and developed country nationals. The five most common countries represented were Nepal (429), United States (408), England (170), Bangladesh (158), and Kenya (134). Furthermore, of countries evaluated, Nepal and Bangladesh were the only two with a specific national journal. INTERPRETATION: Based on the results of this research, the following recommendations were made: (1) Describe, develop, and stimulate surgical research through national peer-reviewed journals, (2) Foster centers of excellence to promote robust research competencies, (3) Endorse partnerships across regions and institutions in the promotion of global surgery, and (4) Build on outcome-directed research.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».