Task shifting for cataract surgery in eastern Africa: productivity and attrition of non-physician cataract surgeons in Kenya, Malawi and Tanzania
Notice bibliographique
Résumé
This project examined the surgical productivity and attrition of non-physician cataract surgeons (NPCSs) in Tanzania, Malawi, and Kenya.Baseline (2008-9) data on training, support, and productivity (annual cataract surgery rate) were collected from officially trained NPCSs using mailed questionnaires followed by telephone interviews. Telephone interviews were used to collect follow-up data annually on productivity and semi-annually on attrition. A detailed telephone interview was conducted if a surgeon left his/her post. Data were entered into and analysed using STATA.Among the 135 NPCSs, 129 were enrolled in the study (Kenya 88, Tanzania 38, and Malawi 3) mean age 42 years; average time since completing training 6.6 years. Employment was in District 44%, Regional 24% or mission/ private 32% hospitals. Small incision cataract surgery was practiced by 38% of the NPCSs. The mean cataract surgery rate was 188/year, median 76 (range 0-1700). For 39 (31%) NPCSs their surgical rate was more than 200/year. Approximately 22% in Kenya and 25% in Tanzania had years where the cataract surgical rate was zero. About 11% of the surgeons had no support staff.High quality training is necessary but not sufficient to result in cataract surgical activity that meets population needs and maintains surgical skill. Needed are supporting institutions and staff, functioning equipment and programs to recruit and transport patients.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».