Interventions to Improve HIV Viral Load Suppression among the Adolescents: Evidence of Improvement Science through a Quality Improvement Approach in Eastern Uganda
Notice bibliographique
Résumé
Introduction: Achieving viral load suppression among the adolescents living with HIV continues to hold back attainment of sustainable development goals. TASO Mbale realized a viral load suppression rate of 63.1% among the adolescents living with HIV in care in quarter 4 of 2016. We therefore, instituted a quality imrpovement project to improve Viral load suppression from 63.1% in quarter 4 2016 to 90% by the end of quarter 4 2017. Method: Baseline data from the Uganda viral load dashboard were analyzed, and fishbone diagram was utilized to provide root causes of low viral load suppression among the adolescents living with HIV at TASO Mbale. The identified barriers were Knowlegde gap, among the adolescents, on positive living, Missing clinic appointments, Sub-optimal adherence, Poorly planned adolescent HIV clinic, Inadequate follow-up and Low use of data for informed decisions. A plan-do-study-act (PDSA) model was applied to implement tested changes. Strategies that worked included introduction of appointment register to track appointment behaviour of the adolescents, generating lists of clients on appointment who were due for Viral Load bleeding, telephone calls for follow up, increasing the frequency of reviewing adolescents from once a month to twice a week, committing a dedicated team responsible for adolescent care. Results: The viral load suppression improved from 63.1% in quarter 4 of 2016 to 63.8% in the first quarter of 2017, to 87.5% in quarter 2 of 2017, 97.6% in the third quarter and 91.4% in quarter 4 of 2017. Conclusion: The use of quality improvement in addressing gaps in HIV service delivery is highly effective.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».