Mobile health technology in providing maternal health services – Awareness and challenges faced by pregnant women in upper West region of Ghana
Notice bibliographique
Résumé
Objectives: The study assessed awareness on Mobile Health (mhealth) Technology as well as challenges pregnant women encounter in the utilization of mhealth technology to improve maternal health in rural settings in the Upper West Region (UWR) of Ghana. Study design: The study was an exploratory design that employed the qualitative method of data collection. Methods: Semi-structured interview guide was used to conduct six (6) Focus Group Discussions (FGDs) and nine (9) Key Informant Interviews (KIIs) among pregnant women and health workers respectively from three (3) selected rural districts in the Upper West Region. Data was collected in August 2020. Thematic analysis was conducted and some statements from participants were presented verbatim to illustrate the themes realized. Results: Participants were aware of the mhealth intervention that had been implemented by Savanna Signatures in their districts. Major sources of information on the mhealth services were from durbars, health education sessions and health care providers. Challenges faced by pregnant women, in the mhealth technology intervention were; financial challenges, lack of mobile network connectivity, lack of electricity in some rural areas, low female literacy rate at household level and cultural barriers. Conclusion: The Savanna Signatures mhealth intervention is widely known but some challenges exist that impede the smooth implementation of the intervention. The mhealth technology intervention implementers should partner with other sectors and policy makers to address the challenges identified by the study.
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».