Validation of a Mobile Health Technology Platform (FeverTracker) for Malaria Surveillance in India: Development and Usability Study
Notice bibliographique
Résumé
BACKGROUND: A surveillance system is the foundation for disease prevention and control. Malaria surveillance is crucial for tracking regional and temporal patterns in disease incidence, assisting in recorded details, timely reporting, and frequency of analysis. OBJECTIVE: In this study, we aim to develop an integrated surveillance graphical app called FeverTracker, which has been designed to assist the community and health care workers in digital surveillance and thereby contribute toward malaria control and elimination. METHODS: FeverTracker uses a geographic information system and is linked to a web app with automated data digitization, SMS text messaging, and advisory instructions, thereby allowing immediate notification of individual cases to district and state health authorities in real time. RESULTS: The use of FeverTracker for malaria surveillance is evident, given the archaic paper-based surveillance tools used currently. The use of the app in 19 tribal villages of the Dhalai district in Tripura, India, assisted in the surveillance of 1880 suspected malaria patients and confirmed malaria infection in 93.4% (114/122; Plasmodium falciparum), 4.9% (6/122; P vivax), and 1.6% (2/122; P falciparum/P vivax mixed infection) of cases. Digital tools such as FeverTracker will be critical in integrating disease surveillance, and they offer instant data digitization for downstream processing. CONCLUSIONS: The use of this technology in health care and research will strengthen the ongoing efforts to eliminate malaria. Moreover, FeverTracker provides a modifiable template for deployment in other disease systems.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».