Scaling up newborn care technologies from tertiary- to secondary-level hospitals in Malawi: an implementation case study of health professional perspectives on bubble CPAP
Notice bibliographique
Résumé
BACKGROUND: While Malawi has achieved success in reducing overall under-five mortality, reduction of neonatal mortality remains a persistent challenge. There has, therefore, been a push to strengthen the capacity for quality newborn care at district hospitals through the implementation of innovative neonatal technologies such as bubble continuous positive airway pressure (CPAP). This study investigates tertiary- versus secondary-level hospital differences in capacities for bubble CPAP use and implications for implementation policies. METHODS: A secondary analysis of interviews was conducted with 46 health workers at one tertiary hospital and three secondary hospitals in rural Southern Malawi. Grounded theory was utilized to explore the emerging themes according to health worker cadres (nurse, clinician, district health management) and facility level (tertiary- and secondary-level facilities), which were managed using NVivo 12 (QSR International, Melbourne, Australia). RESULTS: We identified frequent CPAP use and the availability of neonatal nurses, physicians, and reliable electricity as facilitators for CPAP use at the tertiary hospital. Barriers at the tertiary hospital included initiation eligibility disagreements between clinicians and nurses and insufficient availability of the CPAP machines. At secondary-level hospitals, the use was supported by decision-making and initiation by nurses, involving caretakers to assist in monitoring and reliable availability of CPAP machines. Bubble CPAP was hindered by unreliable electricity, staffing shortages and rotation policies, and poor systems of accountability. CONCLUSION: While this study looked at the implementation of bubble CPAP in Malawi, the findings may be applicable for scaling up other novel neonatal technologies in low-resource settings. Implementation policies must consider staffing and management structures at different health services levels for effective scale-up.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».