Advances in the measurement of coverage for RMNCH and nutrition: from contact to effective coverage
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
Current methods for measuring intervention coverage for reproductive, maternal, newborn, and child health and nutrition (RMNCH+N) do not adequately capture the quality of services delivered. Without information on the quality of care, it is difficult to assess whether services provided will result in expected health improvements. We propose a six-step coverage framework, starting from a target population to (1) service contact, (2) likelihood of services, (3) crude coverage, (4) quality-adjusted coverage, (5) user-adherence-adjusted coverage and (6) outcome-adjusted coverage. We support our framework with a comprehensive review of published literature on effective coverage for RMNCH+N interventions since 2000. We screened 8103 articles and selected 36 from which we summarised current methods for measuring effective coverage and computed the gaps between 'crude' coverage measures and quality-adjusted measures. Our review showed considerable variability in data sources, indicator definitions and analytical approaches for effective coverage measurement. Large gaps between crude coverage and quality-adjusted coverage levels were evident, ranging from an average of 10 to 38 percentage points across the RMNCH+N interventions assessed. We define effective coverage as the proportion of individuals experiencing health gains from a service among those who need the service, and distinguish this from other indicators along a coverage cascade that make quality adjustments. We propose a systematic approach for analysis along six steps in the cascade. Research to date shows substantial drops in effective delivery of care across these steps, but variation in methods limits comparability of the results. Advancement in coverage measurement will require standardisation of effective coverage terminology and improvements in data collection and methodological approaches.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle