Development of an Innovative Digital Data Collection System for Routine Mental Health Care Delivery in Rural Haiti
Notice bibliographique
Résumé
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.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».