Evaluation of the HIV Case-Based Surveillance System: A Pilot of the Electronic Health Record System in Mutare District, Zimbabwe, 2021
Notice bibliographique
Résumé
Background: Zimbabwe started HIV case-based surveillance in April 2017. Rapid testing for HIV recent infection was introduced into routine HIV and testing services in 2019 along with the Impilo Electronic Health Record System. For the period January-June 2020, only 1 out of 13 health facilities in Mutare district reported seven newly diagnosed HIV patients through the electronic health record system compared to 483 in the District Health Information System (DHIS-2) recorded from paper-based registers. We evaluated the case-based surveillance system attributes, usefulness and reasons for under-reporting from January-December 2020. Methods: We conducted a descriptive cross-sectional study using updated Centres for Disease Control guidelines for evaluating public health surveillance systems. Questionnaires were administered to 36 health workers involved in HIV testing services. Facility checklists were used to collect data on knowledge, system attributes and usefulness of the system. Completed HIV case-based surveillance forms were assessed for completeness. Epi Info Version 7 was used to generate frequencies, means and proportions. Results: The reasons for under-reporting of patients in the electronic health record system were lack of reporting guidelines 26/36 (72%), limited coordination between technical staff and health facilities 24/36 (67%) and limited competency on the Electronic health record system 22/36 (61%). Timeliness, completeness, and validity were 88%, 82% and 100% respectively. The stability of the system was affected by the lack of standard operating procedures during system interruptions. Overall representativeness was 45% despite increasing from 3/226 (1%) to 224/303 (73%) between Quarter-1 and Quarter-4 of 2020. Acceptability was 100% due to reduced paperwork and the ability to generate simple reports. The information generated was used to identify new infection hotspots 28/36 (78%). Conclusion: The HIV cases based surveillance system was timely, acceptable with good data quality. Representativeness was poor due to limited competency on the electronic health record system. As a result, health workers received further training.
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 | 0,025 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».