Community-based transport system in Shinyanga, Tanzania: A local innovation averting delays to access health care for maternal emergencies
Notice bibliographique
Résumé
In achieving the sustainable development goal 3.1, Tanzania needs substantial investment to address the three delays which responsible for most of maternal deaths. To this end, the government of Tanzania piloted a community-based emergency transport intervention to address the second delay through m-mama program. This study examined secondary data to determine the cost-effectiveness of this intervention in comparison to the standard ambulance system alone. The m-mama program was implemented in six councils of Shinyanga region. The m-mama program data analyzed included costs of referral services using the Emergency Transportation System (EmTS) compared with the standard ambulance system. Analysis was conducted using Microsoft Excel, whose data was fed into a TreeAge Pro Healthcare 2022 model. The cost and effectiveness data were discounted at 5% to make a fair comparison between the two systems. During m-mama program implementation a total of 989 referrals were completed. Of them, 30.1% used the standard referral system using ambulance, while 69.9% used the EmTS. The Emergency transport system costed USD 170.4 per a completed referral compared to USD 472 per one complete referral using ambulance system alone. The introduction of m-mama emergency transportation system is more cost effective compared to standard ambulance system alone in the context of Shinyanga region. Scaling up of similar intervention to other regions with similar context and burden of maternal mortality may save cost of otherwise normal emergency ambulance system. Through lessons learned while scaling up, the intervention may be improved and tailored to local challenges and further improve its effectiveness.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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 ».