Building integrated data systems for health and nutrition program evaluations: lessons learned from a multi-country implementation of a DHIS 2-based system
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
G lobally, we have more data on population health than ever before.In the era of "big data", the challenge is not only to collect data but also to make use and sense of what is already there.Countries have a wealth of information on maternal, newborn and child health and nutrition (MNCH&N) programs and impact but it is dispersed through a variety of sources, and sometimes difficult for policy and program decision-makers to access, analyze and develop informative outputs.The National Evaluation Platform (NEP) is an approach to large-scale program evaluation of complex, multi-faceted MNCH&N programs [1].A key component the original NEP concept involved developing an integrated set of data organized by geographic area that draws from a variety of data sources available in the country including household surveys (Demographic Health Surveys, Multiple Indicator Cluster Surveys, etc), facility surveys (Service Provision Assessment, etc) and administrative sources [2].The data include core indicators from MNCH&N program impact pathways to be updated as new data are released, facilitating rapid analysis in response to time-sensitive questions from MNCH&N stakeholders [3].In 2013, the Government of Canada funded the real-world implementation of NEP by public-sector stakeholders in four countries in sub-Saharan Africa: Malawi, Mali, Mozambique, and Tanzania.The Institute for International Programs at the Johns Hopkins Bloomberg School of Public Health (IIP) provided technical support.In early 2014, the IIP team began to explore options for operationalizing an integrated district-level data set referred to as the "NEP data system".In this viewpoint, we describe development, implementation challenges and lessons learned from design and deployment of a data system built on District Health Information System 2 (DHIS 2) platform in four countries in sub-Saharan Africa.As the "big data" era advances and use of DHIS 2 becomes more widespread, we hope this documentation will be useful to software developers and others aiming to build data systems that support evidence-based decision-making.
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.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découle