Primary care financing: a systematic assessment of research priorities in low- and middle-income countries
Notice bibliographique
Résumé
INTRODUCTION: Financing of primary healthcare (PHC) is the key to the provision of equitable universal care. We aimed to identify and prioritise the perceived needs of PHC practitioners and researchers for new research in low- and middle-income countries (LMIC) about financing of PHC. METHODS: Three-round expert panel consultation using web-based surveys of LMIC PHC practitioners, academics and policy-makers sampled from global networks. Iterative literature review conducted in parallel. First round (Pre-Delphi survey) elicited possible research questions to address knowledge gaps about financing. Responses were independently coded, collapsed and synthesised to two lists of questions. Round 2 (Delphi Round 1) invited panellists to rate importance of each question. In Round 3 (Delphi Round 2), panellists ranked questions in order of importance. RESULTS: A diverse range of PHC practitioners, academics and policy-makers in LMIC representing all global regions identified 479 knowledge gaps as potentially critical to improving PHC financing. Round 2 provided 31 synthesised questions on financing for rating. The top 16 were ranked in Round 3e to produce four prioritised research questions. CONCLUSIONS: This novel exercise created an expansive and prioritised list of critical knowledge gaps in PHC financing research questions. This offers valuable guidance to global supporters of primary care evaluation and implementation, including research funders and academics seeking research priorities. The source and context specificity of this research, informed by LMIC practitioners and academics on a global and local basis, should increase the likelihood of local relevance and eventual success in implementing the 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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».