The Pan American Health Organization-adapted Hanlon method for prioritization of health programs
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
OBJECTIVES: To document the underlying science of how the Pan American Health Organization (PAHO) adapted the Hanlon method, which prioritizes disease control programs, to its wider range of program areas and used it to implement the PAHO Strategic Plan 2014 - 2019. METHODS: In 2014, PAHO established a Strategic Plan Advisory Group (SPAG) with representatives from 12 Member States to work closely with the PAHO Technical Team to adapt the Hanlon method to disease and non-disease control programs. Three meetings were held in 2015 - 2016 during which SPAG reviewed existing priority-setting methods, assessed the original Hanlon method and subsequent revisions, and developed the adapted method. This project was initiated by Member States, facilitated by PAHO, and conducted jointly in transparent and horizontal technical cooperation. RESULTS: From the original Hanlon equation, the PAHO-adapted method maintains components A (size of problem), B (seriousness of problem), and C (effectiveness of intervention), drops component D (PEARL - Propriety, Economics, Acceptability, Resources, and Legality), and adds component E (inequity) and F (institutional positioning). The PEARL score was dropped because it serves a purpose for pre-screening process, but not in the priority-setting process for PAHO. CONCLUSIONS: The PAHO-adapted Hanlon method provides a refined approach for prioritizing public health programs that include disease and non-disease control areas. The method may be useful for the World Health Organization and country governments with similar needs.
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 | 0,018 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle