How to Optimally Estimate Malaria Readiness Indicators at the Health district Level? Findings from the Burkina Faso Service Availability and Readiness Assessment (SARA) Cross-Sectional Data
Notice bibliographique
Résumé
Abstract Background: One of the major causes of malaria-related deaths in Sub-Saharan African countries is the limited accessibility to quality care. In these countries, malaria control activities are implemented at the health district level. However, malaria indicators are often regionally representative. This paper provides an approach for estimating health district-level malaria readiness indicators from survey data designed to provide regionally representative estimates. Methods: A binomial hierarchical Bayesian spatial prediction method was applied to Service Availability and Readiness Assessment (SARA) survey data to provide estimates of essential equipment availability and readiness to provide malaria care at the health district level. Predicted values of each indicator were adjusted by the type of health facility, location, and population density. Then, a health district composite readiness profile was built via hierarchical ascendant classification. Results: All surveyed health-facilities were mandated to manage malaria. The spatial distribution of essential equipment and malaria readiness was heterogeneous. Around 62.9% of health districts had a high level of readiness to provide malaria care and prevention during pregnancy. Low-performance scores for managing malaria were found in big cities located in the central and Haut-Bassins regions. The health districts with low coverage for both first-line antimalarial drugs and rapid diagnostic tests were Baskuy, Bogodogo, Boulmiougou, Nongr-Massoum, Sig-Nonghin, Dafra, and Do. Conclusion: We provide health district estimates and reveal gaps in basic equipment and malaria management resources in some districts that need to be filled. By providing local-scale estimates, this approach could be replicated for other types of indicators to inform decision-makers and health program managers and to identify priority areas.
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».