A methodological framework to assess temporal trends and sub-national disparities in healthcare quality metrics using facility surveys, with applications to sick-child care in Kenya, Senegal, and Tanzania
Notice bibliographique
Résumé
Abstract Monitoring healthcare quality at a subnational resolution is key to identify and resolve geographic inequities and ensure that no sub-population is left behind. Yet, health facility surveys are typically not powered to report reliable estimates at a subnational scale. In this study, we present a framework to fill this gap and jointly analyse publicly available facility survey data, allowing exploration of temporal trends and subnational disparities in healthcare quality metrics. Specifically, our Bayesian hierarchical model includes random effects to account for differences between survey instruments; space-time processes to leverage correlations in space and time; and covariates to incorporate auxiliary information. We apply this framework to Kenya, Senegal, and Tanzania - three countries with at least four rounds of standardized facility surveys each – and estimate the readiness and process quality of sick-child care over time and across subnational areas. These estimates of readiness and process quality of care over time and at a fine spatial resolution show uneven progress in improving facility-based service provision in Kenya, Senegal, and Tanzania. For instance, while national gains in overall readiness of care improved in Tanzania, geographic inequities persisted; in contrast, Senegal, and Kenya experienced stagnation in overall readiness at the national level, but disparities grew across subnational areas. Overall, providers adhered to about one-third of the clinical guidelines for managing sick-child illnesses at the national level. Yet across subnational units, such adherence greatly varied (e.g., 25% to 85% between counties of Kenya in 2020). Our new approach enables identifies precise estimation of changes in the spatial distribution of healthcare quality metrics over time, at a a programmatic spatial resolution, and with accompanying uncertainty estimates. Use of our framework will provide new insights at a policy-relevant spatial resolution for national and regional decision-makers, and international funders.
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 | 0,115 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».