MétaCan
Menu
Retour à la cohorte
Enregistrement W3215133637 · doi:10.9745/ghsp-d-20-00486

Development of an Innovative Digital Data Collection System for Routine Mental Health Care Delivery in Rural Haiti

2021· article· en· W3215133637 sur OpenAlex

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.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueGlobal Health Science and Practice · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueICT in Developing Communities
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Mental HealthGrand Challenges Canada
Mots-clésData collectionMental healthWork (physics)Data collection systemDigital healthMental health careHealth careRural health

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Effective digital health management information systems (HMIS) support health data validity, which enables health care teams to make programmatic decisions and country-level decision making in support of international development targets. In 2015, mental health was included within the Sustainable Development Goals, yet there are few applications of HMIS of any type in the practice of mental health care in resource-limited settings. Zanmi Lasante (ZL), one of the largest providers of mental health care in Haiti, developed a digital data collection system for mental health across 11 public rural health facilities. PROGRAM INTERVENTION: We describe the development, implementation, and evaluation of the digital system for mental health data collection at ZL. To evaluate system reliability, we assessed the number of missing monthly reports. To evaluate data validity, we calculated concordance between the digital system and paper charts at 2 facilities. To evaluate the system's ability to inform decision making, we specified and then calculated 4 priority indicators. RESULTS: The digital system was missing 5 of 143 monthly reports across all facilities and had 74.3% (55/74) and 98% (49/50) concordance with paper charts. It was possible to calculate all 4 indicators, which led to programmatic changes in 2 cases. In response to implementation challenges, it was necessary to use strategies to increase provider buy-in and ultimately to introduce dedicated data clerks to keep pace with data collection and protect time for clinical work. LESSONS LEARNED: While demonstrating the potential of collecting mental health data digitally in a low-resource rural setting, we found that it was necessary to consider the ongoing roles of paper records alongside digital data collection. We also identified the challenge of balancing clinical and data collection responsibilities among a limited staff. Ongoing work is needed to develop truly sustainable and scalable models for mental health data collection in resource-limited settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,835
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,000
Communication savante0,0000,005
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,396
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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