Leveraging big data for improving the estimation of close to reality travel time to obstetric emergency services in urban low- and middle-income settings
Notice bibliographique
Résumé
Maternal and perinatal mortality remain huge challenges globally, particularly in low- and middle-income countries (LMICs) where >98% of these deaths occur. Emergency obstetric care (EmOC) provided by skilled health personnel is an evidence-based package of interventions effective in reducing these deaths associated with pregnancy and childbirth. Until recently, pregnant women residing in urban areas have been considered to have good access to care, including EmOC. However, emerging evidence shows that due to rapid urbanization, this so called “ urban advantage” is shrinking and in some LMIC settings, it is almost non-existent. This poses a complex challenge for structuring an effective health service delivery system, which tend to have poor spatial planning especially in LMIC settings. To optimize access to EmOC and ultimately reduce preventable maternal deaths within the context of urbanization, it is imperative to accurately locate areas and population groups that are geographically marginalized. Underpinning such assessments is accurately estimating travel time to health facilities that provide EmOC. In this perspective, we discuss strengths and weaknesses of approaches commonly used to estimate travel times to EmOC in LMICs, broadly grouped as reported and modeled approaches, while contextualizing our discussion in urban areas. We then introduce the novel OnTIME project, which seeks to address some of the key limitations in these commonly used approaches by leveraging big data. The perspective concludes with a discussion on anticipated outcomes and potential policy applications of the OnTIME project.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».