Current status and future prospects of epidemiology and public health training and research in the WHO African region
Notice bibliographique
Résumé
BACKGROUND: To date little has been published about epidemiology and public health capacity (training, research, funding, human resources) in WHO/AFRO to help guide future planning by various stakeholders. METHODS: A bibliometric analysis was performed to identify published epidemiological research. Information about epidemiology and public health training, current research and challenges was collected from key informants using a standardized questionnaire. RESULTS: From 1991 to 2010, epidemiology and public health research output in the WHO/AFRO region increased from 172 to 1086 peer-reviewed articles per annum [annual percentage change (APC) = 10.1%, P for trend < 0.001]. The most common topics were HIV/AIDS (11.3%), malaria (8.6%) and tuberculosis (7.1%). Similarly, numbers of first authors (APC = 7.3%, P for trend < 0.001), corresponding authors (APC = 8.4%, P for trend < 0.001) and last authors (APC = 8.5%, P for trend < 0.001) from Africa increased during the same period. However, an overwhelming majority of respondents (>90%) reported that this increase is only rarely linked to regional post-graduate training programmes in epidemiology. South Africa leads in publications (1978/8835, 22.4%), followed by Kenya (851/8835, 9.6%), Nigeria (758/8835, 8.6%), Tanzania (549/8835, 6.2%) and Uganda (428/8835, 4.8%) (P < 0.001, each vs South Africa). Independent predictors of relevant research productivity were 'in-country numbers of epidemiology or public health programmes' [incidence rate ratio (IRR) = 3.41; 95% confidence interval (CI) 1.90-6.11; P = 0.03] and 'number of HIV/AIDS patients' (IRR = 1.30; 95% CI 1.02-1.66; P < 0.001). CONCLUSIONS: Since 1991, there has been increasing epidemiological research productivity in WHO/AFRO that is associated with the number of epidemiology programmes and burden of HIV/AIDS cases. More capacity building and training initiatives in epidemiology are required to promote research and address the public health challenges facing the continent.
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 | 0,060 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,024 | 0,049 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».