MétaCan
Menu
Retour à la cohorte
Enregistrement W4386346988 · doi:10.1093/heapol/czad077

Identifying barriers to the production and use of routine health information in Western Province, Zambia

2023· article· en· W4386346988 sur OpenAlexafffund
Na-Mee Lee, Douglas Singini, Craig R. Janes, Karen A. Grépin, Jennifer A. Liu

Notice bibliographique

RevueHealth Policy and Planning · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesCanadian Institutes of Health ResearchUniversity of Waterloo
Mots-clésProduction (economics)BusinessDeveloping countryEnvironmental healthGeographyEconomic growthMedicineEconomics

Résumé

récupéré en direct d'OpenAlex

Recent decades of improvements to routine health information systems in low- and middle-income countries (LMICs) have increased the volume of health data collected. However, countries continue to face several challenges with quality production and use of information for decision-making at sub-national levels, limiting the value of health information for policy, planning and research. Improving the quality of data production and information use is thus a priority in many LMICs to improve decision-making and health outcomes. This qualitative study identified the challenges of producing and using routine health information in Western Province, Zambia. We analysed the interview responses from 37 health and social sector professionals at the national, provincial, district and facility levels to understand the barriers to using data from the Zambian health management information system (HMIS). Respondents raised several challenges that we categorized into four themes: governance and health system organization, geographic barriers, technical and procedural barriers, and challenges with human resource capacity and staff training. Staff at the facility and district levels were arguably the most impacted by these barriers as they are responsible for much of the labour to collect and report routine data. However, facility and district staff had the least authority and ability to mitigate the barriers to data production and information use. Expectations for information use should therefore be clearly outlined for each level of the health system. Further research is needed to understand to what extent the available HMIS data address the needs and purposes of the staff at facilities and districts.

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)0,005
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,267
Score d'incertitude au seuil0,532

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,002
Communication savante0,0030,001
Science ouverte0,0010,002
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 Opus0,055
Tête enseignante GPT0,380
Écart entre enseignants0,325 · 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'étudeQualitatif
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

Citations6
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth Policy and PlanningMême sujetGlobal Maternal and Child HealthTravaux en français237 207