2015 Doctors of the World International Network Observatory: 10 year review of key challenges and lessons learned on health data, methodology, monitoring and reporting
Notice bibliographique
Résumé
Background Doctors of the World International Network Observatory has conducted in our free clinics multicenter medical & social surveys (2006-2016) across Europe & Canada with vulnerable people (EU nationals & migrants). It aims to describe health states, social determinants of health & barriers to care in order to inform health policy makers & obtain positive changes. Reflecting on 10 years of this humanitarian health initiative with very limited resources, we identified numerous data collection and methodological challenges, several innovative solutions, and three key lessons learned. Materials and Methods In 2006 & 2008 we run specific surveys only with undocumented migrants (patient n = 835 and 1,218 respectively). In 2011, we changed to routine data concerning all patients seen. In 2015, our Observatory included over 35,000 patients seen in BE, CA, CH, DE, EL, ES, FR, IE, LU, NL, NO, RO, SE, SI, TR, UK. The 2006 social & medical form have 92 unique questions. Until 2011 data was collected on paper then entered in a database, now a free internet-based mobile survey tool is used by all teams except 4. Data are centralized in France & analysis is externalized. Results Main challenges revolve around 3 axes: strategic decision making; technology and training; working within limitations. We developed solutions including standardized training sessions & tools, peer-evaluations, an adapted survey tool, an open-source data analysis & visualization platform. Key lessons learned include: the value of collecting health & social data from populations excluded from all surveys; how collecting data helps programs monitoring; the importance of reaching consensus with field teams in the construction & implementation of data collection. Discussion While training is a major element to successful survey conduct, future innovations in health informatics will continue to increase the feasibility and quality of data collection within limited resource humanitarian contexts. Key messages: Field teams’ expertise improve data collection acceptability & process It is worthwhile & feasible to collect data with vulnerable people even in extreme low resource context
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 | 0,056 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».