Data quality assessments stimulate improvements to health management information systems: evidence from five African countries
Notice bibliographique
Résumé
BACKGROUND: Health service data are used to inform decisions about planning and implementation, as well as to evaluate performance and outcomes, and the quality of those data are important. Data quality assessments (DQA) afford the opportunity to collect information about health service data. Through its Rapid Access Expansion Programme (RAcE), the World Health Organization (WHO) funded non-governmental organizations (NGO) to support Ministries of Health (MOH) in implementing integrated community case management (iCCM) programs in the Democratic Republic of Congo, Malawi, Mozambique, Niger and Nigeria. WHO contracted ICF to support grantee monitoring and evaluation efforts, part of which was to conduct DQAs to enhance program monitoring and decision making. The contribution of DQAs to data-driven decision making has been documented and the purpose of this paper is to describe how DQAs contributed to health management information system (HMIS) strengthening and the findings of subsequent DQAs in those areas. METHODS: ICF created a mixed-methods DQA for iCCM data, comprising a review of the data collection and management system, a data tracing component and key informant interviews. The DQA was applied twice in each RAcE site, which enables a general comparison of system-level attributes before and after the first DQA application. For this qualitative assessment, we reviewed DQA reports to collate information about DQA recommendations and how they were addressed before a subsequent DQA, along with the findings of the second DQA. RESULTS: Findings from the first DQA in each RAcE site stimulated NGO and MOH efforts to strengthen different aspects of the HMIS in each country, including modifying data collection tools in the Democratic Republic of Congo; training community health workers (CHWs) and supervisors in Malawi; strengthening supervision in Mozambique; improving CHW registers and strengthening staff capacity at all levels to report data in Niger; establishing a data review system in Abia State, Nigeria; and, establishing processes to improve data use and quality in Niger State, Nigeria. CONCLUSION: Data quality assessments stimulated context-specific efforts by NGOs and MOHs to improve iCCM data quality. DQAs can serve as a collaborative and evidence-based activity to influence discussions of data quality and stimulate HMIS strengthening efforts.
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 | 0,144 | 0,261 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».