Assessing capacities and resilience of health services during the COVID-19 pandemic: Lessons learned from use of rapid key informant surveys
Notice bibliographique
Résumé
This article is part of the Research Topic: 'Health Systems Recovery in the Context of COVID-19 and Protracted Conflict.' Problem: Many countries lacked rapid and nimble data systems to track health service capacities to respond to COVID-19. They struggled to assess and monitor rapidly evolving service disruptions, health workforce capacities, health products availability, community needs and perspectives, and mitigation responses to maintain essential health services. Method: Building on established methodologies, the World Health Organization developed a suite of methods and tools to support countries to rapidly fill data gaps and guide decision-making during COVID-19. The tools included: (1) a national "pulse" survey on service disruptions and bottlenecks; (2) a phone-based facility survey on frontline service capacities; and (3) a phone-based community survey on demand-side challenges and health needs. Use: Three national pulse surveys revealed persisting service disruptions throughout 2020-2021 (97 countries responded to all three rounds). Results guided mitigation strategies and operational plans at country level, and informed investments and delivery of essential supplies at global level. Facility and community surveys in 22 countries found similar disruptions and limited frontline service capacities at a more granular level. Findings informed key actions to improve service delivery and responsiveness from local to national levels. Lessons learned: The rapid key informant surveys provided a low-resource way to collect action-oriented health services data to inform response and recovery from local to global levels. The approach fostered country ownership, stronger data capacities, and integration into operational planning. The surveys are being evaluated to inform integration into country data systems to bolster routine health services monitoring and serve as health services alert functions for the future.
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 | 0,139 | 0,210 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».