MétaCan
Menu
← Retour à la cohorte
Enregistrement W4210309269 · doi:10.21203/rs.3.rs-1185160/v1

Evaluation of Community Health Workers Performance at Home Based Newborn Assessment Supported by mHealth Tool in Rural Bangladesh

2022· preprint· en· W4210309269 sur OpenAlexfundno aff
Farjana Jahan, Eric M. Foote, Mahbubur Rahman, Abul Kasham Shoab, Sarker Masud Parvez, Mizanul Islam Nasim, Rezaul Hasan, Shams El Arifeen, Sk Masum Billah, Supta Sarker, Md Mahbubul Hoque, Muhammad Shariful Islam, Sabina Ashrafee, Gary L. Darmstadt

Notice bibliographique

RevueResearch Square · 2022
Typepreprint
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesInternational Centre for Diarrhoeal Disease Research, BangladeshGrand Challenges Canada
Mots-clésReferralMedicinemHealthGold standard (test)Family medicineVital signsHealth careCommunity health workersMedical emergencyEmergency medicinePediatricsEnvironmental healthNursingPopulationPsychological interventionHealth servicesSurgery

Résumé

récupéré en direct d'OpenAlex

Abstract Background: In low to middle-income countries where home births are common and neonatal postnatal care is limited, community health worker (CHW) home visits can extend the capability of health systems to reach vulnerable newborns in the postnatal period. CHW assessment of newborn danger signs supported by mHealth have potential to improve the quality of danger sign assessments and reduce CHW training requirements. We aim to estimate the validity (sensitivity, specificity, positive and negative predictive value) of CHW assessment of newborn infants aided by mHealth compared to physician assessment.Methods: In this prospective study, ten CHWs received five days of theoretical and hands-on training on the physical assessment of newborns including ten danger signs. CHWs assessed 273 newborn infants for danger signs within 48 hours of birth and then consecutively for three days. A physician repeated 20% (n=148) of the assessments conducted by CHWs. Both CHWs and the physician evaluated newborns for ten danger signs and decided on referral. We used the physician’s danger sign identification and referral decision as the gold standard to validate CHWs’ identification of danger signs and referral decisions.Results: The referrals made by the CHWs had high sensitivity (93.3%), specificity (96.2%), and almost perfect agreement (K= 0.80) with the referrals made by the physician. CHW identification of all the danger signs except hypothermia showed moderate to high sensitivity (66.7-100%) compared to physician assessment. All the danger signs assessments except hypothermia showed moderate to high positive predictive value (PPV) (50-100%) and excellent negative predictive value (NPV) (99-100%). Specificity was high (99-100%) for all ten danger signs.Conclusion: CHW identification of neonatal danger signs aided by mHealth showed moderate to high validity in comparison to physician assessment. mHealth platforms may reduce CHW training requirements and while maintaining quality CHW physical assessment performance extending the ability of health systems to provide neonatal postnatal care in low-resource communities.Clinical Trial (CT) registration ID: NCT03933423 Name of the trial registry: clinicaltrials.govClinical Trial (CT) registration Date: 01/05/2019

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,198
Tête enseignante GPT0,560
Écart entre enseignants0,363 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Square→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→