The plight of rare diseases in Southern Africa: health and social services policy recommendations
Notice bibliographique
Résumé
Rare diseases impact approximately 300 million people globally, yet they receive minimal attention compared to infectious and non-communicable diseases. There are over 10,000 known rare diseases, most of which being hereditary and primarily affecting children. In sub-Saharan Africa (SSA), weak public health infrastructure exacerbates the challenges of diagnosis, management, and treatment of rare diseases. Further, the absence of a definition of rare diseases in the region and the lack of and/or unclear policy frameworks to manage the conditions further slow down the progress toward realization of universal healthcare and the Sustainable Development Goals. We propose harmonized policy recommendations for tackling rare diseases across the Southern African Development Community (SADC). These include establishing a common definition, centralizing healthcare services, promoting preventive measures, enhancing collaborative research and building healthcare workers’ capacity. We also recommend the adoption of shared cost models and specialized health insurance to ensure access to necessary services for those living with rare diseases. This is a starting point to discuss policy issues on healthcare and social services necessary for improving the quality of life of people living with rare diseases (PLRDs) in SSA. Harmonization will also promote effective utilization of resources for both research and care of rare diseases.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,024 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».