Mobile colposcopy by trained nurses in a cervical cancer screening programme at Battor, Ghana
Notice bibliographique
Résumé
Cervical precancer screening programs are difficult to establish in low resource settings partly because of a lack of human resource. Our aiming was to overcome this challenge. We hypothesized that this could be done through task shifting to trained nurses.Descriptive retrospective cross-sectional review.Training was at the Cervical Cancer Prevention and Training Center (CCPTC) and screening was carried out at the clinic and at outreaches / peripheral facilities.All women who reported to the clinic for screening or were recruited during outreaches.All 4 nurses were trained for at least 2weeks (module 1). A total of 904 women were screened by the trained nurses using the EVA system. Quality assurance was ensured.Primary screening and follow-up were carried out by the trained nurses with quality assured through image sharing and meetings with peers and experienced gynaecologists.828 women had primary screening and 76 had follow-up screening. 739 (89.3%) were screened at the clinic and 89 (10.7%) at outreaches/peripheral facilities. Of all screened, 130 (14.5%) had cervical lesions, and 25 (2.8%) were treated, 12 (48.0%) by Loop Electrosurgical Excision Procedure (LEEP) performed by a gynaecologist, 11 (44.0%) with thermal coagulation by trained nurses except one, and 2 (8.0%) with cryotherapy by trained nurses.We demonstrate the utility of a model where nurses trained in basic colposcopy can be used to successfully implement a cervical precancer screening and treatment program in low-resource settings.None indicated.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».