Achieving Country-Wide Scale for Helping Babies Breathe and Helping Babies Survive
Notice bibliographique
Résumé
Helping Babies Breathe (HBB) was piloted in 2009 as a program targeted to reduce neonatal mortality (NM). The program has morphed into a suite of programs termed Helping Babies Survive that includes Essential Care for Every Baby. Since 2010, the HBB and Helping Babies Survive training programs have been taught to >850 000 providers in 80 countries. Initial HBB training is associated with a significant improvement in knowledge and skills. However, at refresher training, there is a knowledge-skill gap evident, with a falloff in skills. Accumulating evidence supports the role for frequent refresher resuscitation training in facilitating skills retention. Beyond skill acquisition, HBB has been associated with a significant reduction in early NM (<24 hours) and fresh stillbirth rates. To evaluate the large-scale impact of the growth of skilled birth attendants, we analyzed NM rates in sub-Saharan Africa (n = 11) and Nepal (as areas of growing HBB implementation). All have revealed a consistent reduction in NM at 28 days between 2009 and 2018; a mean reduction of 5.34%. The number of skilled birth attendants, an indirect measure of HBB sustained rollout, reveals significant correlation with NM, fresh stillbirth, and perinatal mortality rates, highlighting HBB’s success and the need for continued efforts to train frontline providers. A novel live newborn resuscitation trainer as well as a novel app (HBB Prompt) have been developed, increasing knowledge and skills while providing simulation-based repeated practice. Ongoing challenges in sustaining resources (financial and other) for newborn programming emphasize the need for innovative implementation strategies and training tools.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».