The pitfalls of scaling up evidence-based interventions in health
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
Policy-makers worldwide are increasingly interested in scaling up evidence-based interventions (EBIs) to larger populations, and implementation scientists are developing frameworks and methodologies for achieving this. But scaling-up does not always produce the desired results. Why not? We aimed to enhance awareness of the various pitfalls to be anticipated when planning scale-up. In lower- and middle-income countries (LMICs), the scale-up of health programs to prevent or respond to outbreaks of communicable diseases has been occurring for many decades. In high-income countries, there is new interest in the scaling up of interventions that address communicable and non-communicable diseases alike. We scanned the literature worldwide on problems encountered when implementing scale-up plans revealed a number of potential pitfalls that we discuss in this paper. We identified and discussed the following six major pitfalls of scaling-up EBIs: 1) the cost-effectiveness estimation pitfall, i.e. accurate cost-effectiveness estimates about real-world implementation are almost impossible, making predictions of economies of scale unreliable; 2) the health inequities pitfall, i.e. some people will necessarily be left out and therefore not benefit from the scaled-up EBIs; 3) the scaled-up harm pitfall, i.e. the harms as well as the benefits may be amplified by the scaling-up; 4) the ethical pitfall, i.e. informed consent may be a challenge on a grander scale; 5) the top-down pitfall, i.e. the needs, preferences and culture of end-users may be forgotten when scale-up is directed from above; and 6) the contextual pitfall, i.e. it may not be possible to adapt the EBIs to every context. If its pitfalls are addressed head on, scaling-up may be a powerful process for translating research data into practical improvements in healthcare in both LMICs and high-income countries, ensuring that more people benefit from EBIs.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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