Level and Predicators of quality of Integrated Disease Surveillance and Response for Infectious Disease in Tigray, Northern Ethiopia: Cross-Sectional Study
Notice bibliographique
Résumé
<title>Abstract</title> Background: The health impacts of recent global infectious disease outbreaks have demonstrated the importance of strengthening public health systems. The aim of the study was to assess the level of quality of integrated disease surveillance and response for infectious disease in public health facilities of Tigray, Northern Ethiopia. Methods: the study was facility based cross-sectional. It was conducted from June- July 2018 in 46 health facilities. It has involved mixed method approach both quantitative and qualitative data collection methods. Donabedian input-process-output quality assessment model was used to evaluate the service. The magnitude of the association was considered at p-value of ≤0.05 in multivariable logistic regression analysis using adjusted odds ratio (AOR) at 95% confidence interval (CI). Concurrently, facility surveillance officers were subjected to an in-depth interview autonomously to explore factors for good and bad service quality. Quantitative data were analyzed using SPSS version 21. Use of manual thematic approach was used for qualitative data analysis. Result: The level of the overall quality of IDSR service provision has rendered as good in 6 out of 46(13%) studied health facilities. Two third of studied health facilities were rated as good for input service quality but 34.7% for process service quality. The output service quality was two times better than the overall service quality. Being enrollment of HIT to rapid response team (AOR=7, 95% CI: 1.092- 37.857) and accessing technical guideline to the health facility (AOR=3, 95% CI: 0.399-22.567) were predictor factors for facilitating overall service quality.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».