Is South Africa closing the health gaps between districts? Monitoring progress towards universal health service coverage with routine facility data
Notice bibliographique
Résumé
BACKGROUND: South Africa is committed to advancing universal health coverage (UHC). The usefulness and potential of using routine health facility data for monitoring progress towards UHC, in the form of the 16-tracer WHO service coverage index (SCI), was assessed. METHODS: Alternative approaches to calculating the WHO SCI from routine data, allowing for disaggregation to district level, were explored. Data extraction, coding, transformation and modelling processes were applied to generate time series for these alternatives. Equity was assessed using socio-economic quintiles by district. RESULTS: The UHC SCI at a national level was 46.1 in 2007-2008 and 56.9 in 2016-2017. Only for the latter period, could the index be calculated for all indicators at a district level. Alternative indicators were formulated for 9 of 16 tracers in the index. Routine or repeated survey data could be used for 14 tracers. Apart from the NCD indicators, a gradient of poorer performance in the most deprived districts was evident in 2016-2017. CONCLUSIONS: It is possible to construct the UHC SCI for South Africa from predominantly routine data sources. Overall, there is evidence from district level data of a trend towards reduced inequity in relation to specific categories (notably RMNCH). Progress towards UHC has the potential to overcome fragmentation and enable harmonisation and interoperability of information systems. Private sector reporting of data into routine information systems should be encouraged.
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 | 0,012 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».