MétaCan
Menu
Retour à la cohorte
Enregistrement W4296741276 · doi:10.1371/journal.pgph.0001118

An mHealth tool for community health workers to improve caregiver knowledge of child health in the Amazon: An effectiveness-implementation hybrid evaluation

2022· article· en· W4296741276 sur OpenAlexfundno aff
Christopher Westgard, Luis A. Orrego-Ferreyros

Notice bibliographique

RevuePLOS Global Public Health · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesGlobal Affairs CanadaGrand Challenges CanadaGovernment of Canada
Mots-clésmHealthIntervention (counseling)FidelityTest (biology)MedicineProgram evaluationMedical educationNursingRandomized controlled trialFamily medicinePsychologyComputer sciencePsychological intervention

Résumé

récupéré en direct d'OpenAlex

When community health workers (CHWs) are effective, they can teach healthy child rearing practices in their communities and improve child health and development outcomes. An effective mHealth tool can improve the capacity of CHWs to transmit knowledge to caregivers. This article evaluates the implementation of an mHealth tool in a CHW program in the Amazon of Peru. The intervention was designed, implemented, and evaluated with the guidance of multiple implementation science tools. A Hybrid Type 3 evaluation design was used to test the effectiveness of the implementation strategies and appropriateness of the intervention. The implementation outcomes: acceptability, adoption, dosage, and fidelity were analyzed with mixed methods approach to determine if the intervention was successfully installed in the CHW program. The service outcome, knowledge scores, was analyzed with an independent samples t-test and one way ANOVA to determine the effect of the program. The implementation strategies resulted in high degrees of acceptability, adoption, and fidelity of the mHealth tool. The surveillance component of the mHealth tools was not adequately adopted. The group of caregivers that received home visits with the mHealth tool (N = 48) had significantly higher knowledge scores (+1.26 standard deviations) than those in the control group (N = 138) (t(184) = -4.39, p<0.001). The COVID-19 pandemic significantly decreased the dosage of the intervention received by the participants. The CHEST App intervention is a promising tool to improve the capacity of CHWs during their home visits. Trial registered with ISRCTN on 11/29/2018 at https://doi.org/10.1186/ISRCTN43591826.

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)0,015
score de la tête « metaresearch » (Gemma)0,012
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,114
Tête enseignante GPT0,504
Écart entre enseignants0,389 · 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

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLOS Global Public HealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207