Effectiveness of the Diagnose-Intervene- Verify-Adjust (DIVA) model for integrated primary healthcare planning and performance improvement: an embedded mixed methods evaluation in Kaduna state, Nigeria
Notice bibliographique
Résumé
OBJECTIVES: This study evaluates the real-world effectiveness of Diagnose-Intervene-Verify-Adjust (DIVA), an innovative quality improvement mode, in improving primary healthcare (PHC) bottlenecks impeding health system performance in Kaduna, a northern Nigerian state. DESIGN: An embedded mixed method study design involving participant observation. SETTING: PHCs in 23 local government areas of Kaduna state, Nigeria. PARTICIPANTS: 138 PHC managers across the state (PHC directors and programme managers in the 23 local governments). INTERVENTION: DIVA is a four-step improvement model in which 'Diagnose' identifies constraints to effective coverage, 'Intervene' develops/implements action plans addressing constraints, while 'Verify/Adjust' monitor performance and revise plans. PRIMARY AND SECONDARY OUTCOME MEASURES: The model, as adapted in Nigeria, is designed to evaluate and improve the availability of health commodities, human resources, geographical accessibility, acceptability, continuous utilisation and quality of four PHC interventions (immunisation, integrated management of childhood illnesses, antenatal care and skilled birth attendance). RESULTS: 183 bottlenecks were identified by local government teams across all interventions in 2013. 41% of bottlenecks concern human resources. Geographical access and availability of commodities ranked least. Availability of commodities was the most improved determinant although among the least constrained, probably indicating skewed implementation of operational plans. 1562 activities were planned to address identified bottlenecks in the state, of which only 568 (36%) were completely implemented CONCLUSION: Our study demonstrates that PHC planning using the DIVA model can potentially improve health system performance. However, effective implementation is critical and may require some central government oversight.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».