MétaCan
Menu
Retour à la cohorte
Enregistrement W2317224876 · doi:10.1136/bmjinnov-2015-000045

Innovating to improve primary care in less developed countries: towards a global model

2015· review· en· W2317224876 sur OpenAlexafffund
Lara Fairall, Eric D. Bateman, Ruth Cornick, Gill Faris, Venessa Timmerman, Naomi Folb, Max Bachmann, Merrick Zwarenstein, Richard Smith

Notice bibliographique

RevueBMJ Innovations · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueGlobal Health and Surgery
Établissements canadiensWestern University
Organismes subventionnairesNational Institute of Mental HealthMedical Research CouncilU.S. Department of Health and Human ServicesNational Institutes of HealthUnited States Agency for International DevelopmentInternational Development Research CentreHealth Resources and Services AdministrationU.S. President’s Emergency Plan for AIDS Relief
Mots-clésDeveloping countryUnit (ring theory)SustainabilityGlobal healthBusinessNursingHealth careMedicineEconomic growthPsychologyPublic healthEconomics

Résumé

récupéré en direct d'OpenAlex

One of the biggest problems in global health is the lack of well trained and supported health workers in less developed settings. In many rural areas there are no physicians, and it is important to find ways to support and empower nurses and other health workers. The Knowledge Translation Unit of the University of Cape Town Lung Institute has spent 14 years developing a series of innovative packages to support and empower nurses and other health workers. PACK (Practical Approach to Care Kit) Adult comprises policy-based and evidence-informed guidelines; onsite, team and case-based training; non-physician prescribing; and a cascade system of scaling up. A series of randomised trials has shown the effectiveness of the packages, and methods are now being developed to respond cost-effectively and sustainably to global demand for implementing PACK Adult. Global health would probably benefit from less time and money spent developing new innovations and more spent on finding ways to spread those we already have.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,107

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0040,007
Études des sciences et des technologies0,0010,003
Communication savante0,0050,006
Science ouverte0,0020,005
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,140
Tête enseignante GPT0,449
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations72
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMJ InnovationsMême sujetGlobal Health and SurgeryTravaux en français237 207