The impact of an mHealth monitoring system on health care utilization by mothers and children: an evaluation using routine health information in Rwanda
Notice bibliographique
Résumé
Maternal and child mortality rates remain unacceptably high globally, particularly in sub-Saharan Africa. A popular approach to counter these high rates is interventions delivered using mobile phones (mHealth). However, few mHealth interventions have been implemented nationwide and there has been little evaluation of their effectiveness, particularly at scale. Therefore, we evaluated the Rwanda RapidSMS programme-one of the few mHealth programmes in Africa that is currently operating nationwide. Using interrupted time series analysis and monthly data routinely reported by public health centres (n = 461) between 2012 and 2016, we studied the impact of RapidSMS on four indicators: completion of four antenatal care visits, deliveries in a health facility, postnatal care visits and malnutrition screening. We stratified all analyses based on whether the district received concurrent additional supports, including staff and equipment (10 out of 30 Districts). We found that community health workers in Rwanda sent more than 9.3 million messages using RapidSMS, suggesting the programme was successfully implemented. We found that the implementation of the RapidSMS system combined with additional support including training, supervision and equipment provision increased the use of maternal and child health services. In contrast, implementing the RapidSMS system alone was ineffective. This suggests that mHealth programmes alone may be insufficient to improve the use of health services. Instead, they should be considered as a part of more comprehensive interventions that provide the necessary equipment and health system capacity to support them.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».