Addressing Quality of Care in Pediatric Units using a Digital Tool: Implementation Experience from 18 SNCU of India
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lack of quality care is associated with newborn mortality and stillbirth. India launched the Special newborn care unit (SNCU) Quality of Care Index (SQCI) for measuring quality indicators in SNCU. The USAID Vriddhi project provided support to the use of SQCI in 19 SNCU across aspirational districts of Jharkhand, Uttarakhand, Himachal Pradesh, Punjab and Haryana. The objective was to provide holistic support to quality care processes by generating analyzed quarterly reports for action with the goal toward sustainability by capacitating SNCU personnel and program officers to use SQCI, over a 1period from April 2019 to June 2020. The composite index has seven indicators and converts them into indices, each having a range from 0.1 to 1, to measure performance of SNCU.7 of the 18 SNCU improved their composite scores from the first to the last quarter. Rational use of antibiotics showed improvement in 12 SNCU. Survival in newborns >2500 g and <2500, low birth weight admission and optimal bed utilization had the most variations between and within facilities. Based on quarterly data analysis, all facilities introduced KMC, 10 facilities improved equipment and drug supply, 9 facilities launched in-house capacity building to improve asphyxia management. The SQCI implementation helped to show a process of using SQCI data for identifying bottlenecks and addressing quality concerns. The project has transitioned to complete responsibility of SQCI usage by the district and facility teams. Use of an existing mechanism of quality monitoring without any major external support makes the SQCI usable and doable.
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.
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) | 0,000 | 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 découle