Primary Care Research Priorities in Low-and Middle-Income Countries
Notice bibliographique
Résumé
PURPOSE: To identify and prioritize the needs for new research evidence for primary health care (PHC) in low-and middle-income countries (LMICs) about organization, models of care, and financing of PHC. METHODS: Three-round expert panel consultation of LMIC PHC practitioners and academics sampled from global networks, via web-based surveys. Iterative literature review conducted in parallel. Round 1 (pre-Delphi survey) elicited possible research questions to address knowledge gaps about organization and models of care and about financing. Round 2 invited panelists to rate the importance of each question, and in round 3 panelists provided priority ranking. RESULTS: One hundred forty-one practitioners and academics from 50 LMICs from all global regions participated and identified 744 knowledge gaps critical to improving PHC organization and 479 for financing. Four priority areas emerged: effective transition of primary and secondary services, horizontal integration within a multidisciplinary team and intersectoral referral, integration of private and public sectors, and ways to support successfully functioning PHC professionals. Financial evidence priorities were mechanisms to drive investment into PHC, redress inequities, increase service quality, and determine the minimum necessary budget for good PHC. CONCLUSIONS: This novel approach toward PHC needs in LMICs, informed by local academics and professionals, created an expansive and prioritized list of critical knowledge gaps in PHC organization and financing. It resulted in research questions, offering valuable guidance to global supporters of primary care evaluation and implementation. Its source and context specificity, informed by LMIC practitioners and academics, should increase the likelihood of local relevance and eventual success in implementing research findings.
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 | 0,005 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».