Assessment of Integrated Disease Surveillance Data Uptake in Community Health Systems within Nairobi County, Kenya
Notice bibliographique
Résumé
BACKGROUND: Kenya has since independence struggled to restructure its health system to provide services to its entire population especially in outbreak responses. The last decade has seen the country witness disease outbreaks across the country i.e. Rift Valley fever in June 2018, and Chikungunya and Dengue fever in Mombasa in February 2018. This exposed the country's lack of preparedness in handling outbreaks at grass root level. Outbreak incidences tend to prevail at community level before a public health action is established, with the situation becoming dire in the lower tier health facilities. OBJECTIVE: The purpose of the study was to assess the uptake of Integrated Disease Surveillance Response (IDSR) health data and utilisation at community level health systems in the six sub counties within Nairobi County of Kenya. METHODOLOGY: The study used cross-sectional descriptive research design on a target population of 1840 community health workers. The study used Yamane formula to calculate the sample size of 371 respondents, selected using stratified sampling and simple random sampling methods. The logistic regression model was used to assess the benefits of Integrated Data Surveillance and Response data in health facilities across Nairobi County. Data was collected using questionnaires, analysis done using Statistical Packages for Social Sciences, and findings presented in form of tables and bar graphs. RESULTS: The study had 315 questionnaires were duly filled and returned, representing 85% response rate. The findings showed that 268(85%) Healthcare Workers lacked training on using disease surveillance data; 236(75%) cited lack of tools for disease surveillance in facilities, while 173(55%)cited lack of timely IDSR data as hindrance to IDSR data uptake. The regression findings showed that training of healthcare workers on IDSR, installation of disease surveillance system tools, and timely collection and dissemination of surveillance data increases the likelihood of IDSR data uptake in community health facilities. CONCLUSION: The study concluded that IDSR system tools should be installed in community health facilities across the six sub counties in Nairobi County. Training should be emphasised to ensure all health care workers have the required skills to use the IDSR data. There is need to ensure IDSR data is collected and disseminated on time to make it available for interpretation and use by health care workers in their respective facilities.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».