MétaCan
Menu
Retour à la cohorte
Enregistrement W3033484997 · doi:10.1186/s13031-020-00263-3

Responding to health needs of women, children and adolescents within Syria during conflict: intervention coverage, challenges and adaptations

2020· article· en· W3033484997 sur OpenAlexfundno aff
Chaza Akik, Aline Semaan, Linda Shaker‐Berbari, Zeina Jamaluddine, Ghada E. Saad, Katherine Lopes, Joanne Constantin, Abdulkarim Ekzayez, Neha Singh, Karl Blanchet, Jocelyn DeJong, Hala Ghattas

Notice bibliographique

RevueConflict and Health · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueMigration, Health and Trauma
Établissements canadiensnon disponible
Organismes subventionnairesDirektoratet for UtviklingssamarbeidUNICEFHospital for Sick ChildrenInternational Development Research CentreSickkids Research InstituteBill and Melinda Gates Foundation
Mots-clésPsychological interventionMedicineOutreachHealth careContext (archaeology)Health services researchQualitative researchIntervention (counseling)Health policyPublic healthHealth facilityNursingEnvironmental healthEconomic growthPopulationGeographySociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Women and children suffer disproportionately in armed-conflicts. Since 2011, the protracted Syrian crisis has fragmented the pre-existing healthcare system. Despite the massive health needs of women and children, the delivery of key reproductive, maternal, newborn, child and adolescent health and nutrition (RMNCAH&N) interventions, and its underlying factors are not well-understood in Syria. Our objective was to document intervention coverage indicators and their implementation challenges inside Syria during conflict. METHODS: We conducted 1) a desk review to extract RMNCAH&N intervention coverage indicators inside Syria during the conflict; and 2) qualitative interviews with decision makers and health program implementers to explore reasons behind provision/non-provision of RMNCAH&N interventions, and the rationale informing decisions, priorities, collaborations and implementation. We attempt to validate findings by triangulating data from both sources. RESULTS: Key findings showed that humanitarian organisations operating in Syria adopted a complex multi-hub structure, and some resorted to remote management to improve accessibility to certain geographic areas. The emergency response prioritised trauma care and infectious disease control. Yet, with time, humanitarian organisations successfully advocated for prioritising maternal and child health and nutrition interventions given evident needs. The volatile security context had implications on populations' healthcare seeking behaviors, such as women reportedly preferring home births, or requesting Caesarean-sections to reduce insecurity risks. Additional findings were glaring data gaps and geographic variations in the availability of data on RMNCAH&N indicators. Adaptations of the humanitarian response included task-shifting to overcome shortage in skilled healthcare workers following their exodus, outreach activities to enhance access to RMNCAH&N services, and operating in 'underground' facilities to avoid risk of attacks. CONCLUSION: The case of Syria provides a unique perspective on creative ways of managing the humanitarian response and delivering RMNCAH&N interventions, mainly in the multi-hub structure and use of remote management, despite encountered challenges. The scarcity of RMNCAH&N data is a tremendous challenge for both researchers and implementing agencies, as it limits accountability and monitoring, thus hindering the evaluation of delivered interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,362
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations62
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConflict and HealthMême sujetMigration, Health and TraumaTravaux en français237 207