Implementation process and quality of a primary health care system improvement initiative in a decentralized context: <scp>A</scp> retrospective appraisal using the quality implementation framework
Notice bibliographique
Résumé
BACKGROUND: Effective implementation processes are essential in achieving desired outcomes of health initiatives. Whereas many approaches to implementation may seem straightforward, careful advanced planning, multiple stakeholder involvements, and addressing other contextual constraints needed for quality implementation are complex. Consequently, there have been recent calls for more theory-informed implementation science in health systems strengthening. This study applies the quality implementation framework (QIF) developed by Meyers, Durlak, and Wandersman to identify and explain observed implementation gaps in a primary health care system improvement intervention in Nigeria. METHODS: We conducted a retrospective process appraisal by analyzing contents of 39 policy document and 15 key informant interviews. Using the QIF, we assessed challenges in the implementation processes and quality of an improvement model across the tiers of Nigeria's decentralized health system. RESULTS: Significant process gaps were identified that may have affected subnational implementation quality. Key challenges observed include inadequate stakeholder engagements and poor fidelity to planned implementation processes. Although needs and fit assessments, organizational capacity building, and development of implementation plans at national level were relatively well carried out, these were not effective in ensuring quality and sustainability at the subnational level. CONCLUSIONS: Implementing initiatives between levels of governance is more complex than within a tier. Adequate preintervention planning, understanding, and engaging the various interests across the governance spectrum are key to improving quality.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».