Geographic information system for improving maternal and newborn health: recommendations for policy and programs
Notice bibliographique
Résumé
This correspondence argues and offers recommendations for how Geographic Information System (GIS) applied to maternal and newborn health data could potentially be used as part of the broader efforts for ending preventable maternal and newborn mortality. These recommendations were generated from a technical consultation on reporting and mapping maternal deaths that was held in Washington, DC from January 12 to 13, 2015 and hosted by the United States Agency for International Development's (USAID) global Maternal and Child Survival Program (MCSP). Approximately 72 participants from over 25 global health organizations, government agencies, donors, universities, and other groups participated in the meeting.The meeting placed emphases on how improved use of mapping could contribute to the post-2015 United Nation's Sustainable Development Goals (SDGs), agenda in general and to contribute to better maternal and neonatal health outcomes in particular. Researchers and policy makers have been calling for more equitable improvement in Maternal and Newborn Health (MNH), specifically addressing hard-to-reach populations at sub-national levels. Data visualization using mapping and geospatial analyses play a significant role in addressing the emerging need for improved spatial investigation at subnational scale. This correspondence identifies key challenges and recommendations so GIS may be better applied to maternal health programs in resource poor settings. The challenges and recommendations are broadly grouped into three categories: ancillary geospatial and MNH data sources, technical and human resources needs and community participation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».