Facilities are substantially more influential than care providers in the quality of delivery care received: a variance decomposition and clustering analysis in Kenya, Malawi and India
Notice bibliographique
Résumé
INTRODUCTION: Improving the quality of care during childbirth is essential for reducing neonatal and maternal mortality. One barrier to improving quality of care is understanding the appropriate level to target interventions. We examine quality of care data during labour and delivery from multiple countries to assess whether quality varies primarily from nurse to nurse within the same facility, or primarily between facilities. METHODS: To assess the relative contributions of nurses and facilities to variance in quality of care, we performed a variance decomposition analysis using a linear mixed effect model on two data sources: (1) the number of vital signs assessed for women in labour from a study of nurse practices in Uttar Pradesh, India; 2) broad-scale indices of respectful and competent care generated from Service Provision Assessments in Kenya and Malawi. We used unsupervised clustering, a data mining technique that groups objects together based on similar characteristics, to identify groups of facilities that displayed distinct patterns of vital signs assessment behaviour. RESULTS: of vital signs assessment, even when overall rates of vital signs assessments were similar (eg, some facilities consistently test fetal heart rate, but not other vitals, others only blood pressure). CONCLUSION: Facilities within a region can vary substantially in the quality of care they provide to women in labour, but within a facility, nurses tend to provide similar care. This holds true both for care that can be influenced by equipment availability and technical training (eg, vital signs assessment), as well as cultural aspects (eg, respectful care).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».