Growth and capacity for cost‐effectiveness analysis in Africa
Notice bibliographique
Résumé
As economic evaluation becomes increasingly essential to support universal health coverage (UHC), we aim to understand the growth, characteristics, and quality of cost-effectiveness analyses (CEA) conducted for Africa and to assess institutional capacity and relationship patterns among authors. We searched the Tufts Medical Center CEA Registries and four databases to identify CEAs for Africa. After extracting relevant information, we examined study characteristics, cost-effectiveness ratios, individual and institutional contribution to the literature, and network dyads at the author, institution, and country levels. The 358 identified CEAs for Africa primarily focused on sub-Saharan Africa (96%) and interventions for communicable diseases (77%). Of 2,121 intervention-specific ratios, 8% were deemed cost-saving, and most evaluated immunizations strategies. As 64% of studies included at least one African author, we observed widespread collaboration among international researchers and institutions. However, only 23% of first authors were affiliated with African institutions. The top producers of CEAs among African institutions are more adherent to methodological and reporting guidelines. Although economic evidence in Africa has grown substantially, the capacity for generating such evidence remains limited. Increasing the ability of regional institutions to produce high-quality evidence and facilitate knowledge transfer among African institutions has the potential to inform prioritization decisions for designing UHC.
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 | 0,424 | 0,758 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,029 | 0,032 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,015 | 0,013 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».