Using routine health data and intermittent community surveys to assess the impact of maternal and neonatal health interventions in low‐income countries: A systematic review
Notice bibliographique
Résumé
BACKGROUND: There is a need to provide increased evidence on effective interventions to reduce maternal and neonatal mortality in low- and middle-income countries (LMICs). OBJECTIVES: To summarize the breadth of knowledge on using routine data (Routine Health Information Systems [RHIS] and Intermittent Community Surveys [ICS]) for well-designed maternal and neonatal health evaluations in LMICs. SEARCH STRATEGY: We searched reports and articles published in Embase, Medline, and Google scholar. Selection criteria Studies were considered for inclusion if they were carried out in LMICs, using RHIS or ICS data with experimental or quasi-experimental design. DATA COLLECTION AND ANALYSIS: A form was used to collect information on indicators used for interventions' impact assessment. Descriptive statistics and multiple correspondence analyses were then performed. MAIN RESULTS: Of the 1201 publications identified, 46 studies met the inclusion criteria. Most of these were using RHIS data (n=40), mainly extracted from health facility registers (n=34), and non-controlled before and after design (n=30). The indicators, which were mostly reported, were related to the use of healthcare services (n=36) and maternal/neonatal health outcomes (n=31). Few studies used ICS data (n=6) or indicators of severity (n=2). CONCLUSION: RHIS and ICS data should be increasingly used for impact studies on maternal and neonatal health in LMICs.
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 | 0,031 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,007 |
| Bibliométrie | 0,015 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».