Data for decision making: using a dashboard to strengthen routine immunisation in Nigeria
Notice bibliographique
Résumé
Availability of reliable data has for a long time been a challenge for health programmes in Nigeria. Routine immunisation (RI) data have always been characterised by conflicting coverage figures for the same vaccine across different routine data reporting platforms. Following the adoption of District Health Information System version 2 (DHIS2) as a national electronic data management platform, the DHIS2 RI Dashboard Project was initiated to address the absence of some RI-specific indicators on DHIS2. The project was also intended to improve visibility and monitoring of RI indicators as well as strengthen the broader national health management information system by promoting the use of routine data for decision making at all governance levels. This paper documents the process, challenges and lessons learnt in implementing the project in Nigeria. A multistakeholder technical working group developed an implementation framework with clear preimplementation; implementation and postimplementation activities. Beginning with a pilot in Kano state in 2014, the project has been scaled up countrywide. Nearly 34 000 health workers at all administrative levels were trained on RI data tools and DHIS2 use. The project contributed to the improvement in completeness of reports on DHIS2 from 53 % in first quarter 2014 to 81 % in second quarter 2017. The project faced challenges relating to primary healthcare governance structures at the subnational level, infrastructure and human resource capacity. Our experience highlights the need for early and sustained advocacy to stakeholders in a decentralised health system to promote ownership and sustainability of a centrally coordinated systems strengthening initiative.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».