WHO Mental Health Gap Action Programme Intervention Guide (mhGAP-IG): the first pre-service training study
Notice bibliographique
Résumé
BACKGROUND: Despite the increasing burden of mental, neurological, and substance use (MNS) disorders, a significant treatment gap for these disorders continues to exist across the world, and especially in low- and middle-income countries. To bridge the treatment gap, the World Health Organization developed and launched the Mental Health Gap Action Programme (mhGAP) and the mhGAP Intervention Guide (mhGAP-IG) to help train non-specialists to deliver care. Although the mhGAP-IG has been used in more than 100 countries for in-service training, its implementation in pre-service training, that is, training prior to entering caregiver roles, is very limited. AIM OF THE STUDY: The aim of this study was to collect and present information about the global experience of academic institutions that have integrated WHO's mhGAP-IG into pre-service training. METHODS: A descriptive cross-sectional study was conducted using an electronic questionnaire, from December 2018 to June 2019. RESULTS: Altogether, eleven academic institutions across nine countries (Mexico, Nigeria, Liberia, Sierra Leone, Somaliland, Armenia, Georgia, Ukraine and Kyrgyzstan) participated in this study. Five of the institutions have introduced the mhGAP-IG by revising existing curricula, three by developing new training programmes, and three have used both approaches. A lack of financial resources, a lack of support from institutional leadership, and resistance from some faculty members were the main obstacles to introducing this programme. Most of the institutions have used the mhGAP-IG to train medical students, while some have used it to train medical interns and residents (in neurology or family medicine) and nursing students. Use of the mhGAP-IG in pre-service training has led to improved knowledge and skills to manage mental health conditions. A majority of students and teaching instructors were highly satisfied with the mhGAP-IG. CONCLUSIONS: This study, for the first time, has collected evidence about the use of WHO's mhGAP-IG in pre-service training in several countries. It demonstrates that the mhGAP-IG can be successfully implemented to train a future cadre of medical doctors and health nurses.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».