Acceptability and implementation challenges of smartphone-based training of community health nurses for visual inspection with acetic acid in Ghana: mHealth and cervical cancer screening
Notice bibliographique
Résumé
OBJECTIVE: To explore acceptability and feasibility of smartphone-based training of low-level to mid-level health professionals in cervical cancer screening using visual inspection with acetic acid (VIA)/cervicography. DESIGN: In 2015, we applied a qualitative descriptive approach and conducted semi-structured interviews and focus groups to assess the perceptions and experiences of community health nurses (CHNs) (n=15) who performed smartphone-based VIA, patients undergoing VIA/cryotherapy (n=21) and nurse supervisor and the expert reviewer (n=2). SETTING: Community health centres (CHCs) in Accra, Ghana. RESULTS: The 3-month smartphone-based training and mentorship was perceived as an important and essential complementary process to further develop diagnostic and management competencies. Cervical imaging provided peer-to-peer learning opportunities, and helped better communicate the procedure to and gain trust of patients, provide targeted education, improve adherence and implement quality control. None of the patients had prior screening; they overwhelmingly accepted smartphone-based VIA, expressing no significant privacy issues. Neither group cited significant barriers to performing or receiving VIA at CHCs, the incorporation of smartphone imaging and mentorship via text messaging. CHNs were able to leverage their existing community relationships to address a lack of knowledge and misperceptions. Patients largely expressed decision-making autonomy regarding screening. Negative views and stigma were present but not significantly limiting, and the majority felt that screening strategies were acceptable and effective. CONCLUSIONS: Our findings suggest the overall acceptability of this approach from the perspectives of all stakeholders with important promises for smartphone-based VIA implementation. Larger-scale health services research could further provide important lessons for addressing this burden in low-income and middle-income countries.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».