Strengthening mental health systems in low- and middle-income countries: recommendations from the Emerald programme
Notice bibliographique
Résumé
BACKGROUND: There is a large treatment gap for mental, neurological or substance use (MNS) disorders. The 'Emerging mental health systems in low- and middle-income countries (LMICs)' (Emerald) research programme attempted to identify strategies to work towards reducing this gap through the strengthening of mental health systems. AIMS: To provide a set of proposed recommendations for mental health system strengthening in LMICs. METHOD: The Emerald programme was implemented in six LMICs in Africa and Asia (Ethiopia, India, Nepal, Nigeria, South Africa and Uganda) over a 5-year period (2012-2017), and aimed to improve mental health outcomes in the six countries by building capacity and generating evidence to enhance health system strengthening. RESULTS: The proposed recommendations align closely with the World Health Organization's key health system strengthening 'building blocks' of governance, financing, human resource development, service provision and information systems; knowledge transfer is included as an additional cross-cutting component. Specific recommendations are made in the paper for each of these building blocks based on the body of data that were collected and analysed during Emerald. CONCLUSIONS: These recommendations are relevant not only to the six countries in which their evidential basis was generated, but to other LMICs as well; they may also be generalisable to other non-communicable diseases beyond MNS disorders. DECLARATION OF INTEREST: None.
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 | 0,030 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,012 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».