Nurse Mentors to Advance Quality Improvement in Primary Health Centers: Lessons From a Pilot Program in Northern Karnataka, India
Notice bibliographique
Résumé
High-quality care during labor, delivery, and the postpartum period is critically important since maternal and child morbidity and mortality are linked to complications that arise during these stages. A nurse mentoring program was implemented in northern Karnataka, India, to improve quality of services at primary health centers (PHCs), the lowest level in the public health system that offers basic obstetric care. The intervention, conducted between August 2012 and July 2014, employed 53 full-time nurse mentors and was scaled-up in 385 PHCs in 8 poor rural districts. Each mentor was responsible for 6 to 8 PHCs and conducted roughly 6 mentoring visits per PHC in the first year. This paper reports the results of a qualitative inquiry, conducted between September 2012 and April 2014, assessing the program's successes and challenges from the perspective of mentors and PHC teams. Data were gathered through 13 observations, 9 focus group discussions with mentors, and 25 individual and group interviews with PHC nurses, medical officers, and district health officers. Mentors and PHC staff and leaders reported a number of successes, including development of rapport and trust between mentors and PHC staff, introduction of team-based quality improvement processes, correct and consistent use of a new case sheet to ensure adherence to clinical guidelines, and increases in staff nurses' knowledge and skills. Overall, nurses in many PHCs reported an increased ability to provide care according to guidelines and to handle maternal and newborn complications, along with improvements in equipment and supplies and referral management. Challenges included high service delivery volumes and/or understaffing at some PHCs, unsupportive or absent PHC leadership, and cultural practices that impacted quality. Comprehensive mentoring can build competence and improve performance by combining on-the-job clinical and technical support, applying quality improvement principles, and promoting team-based problem solving.
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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».