MétaCan
Menu
Retour à la cohorte
Enregistrement W4386505265 · doi:10.3389/fpubh.2023.1204165

Progress and experiences of implementing an integrated disease surveillance and response system in Somalia; 2016–2023

2023· review· en· W4386505265 sur OpenAlexfundno aff
Steven Ssendagire, Mary Joan Karanja, Abdulkhadir Abdi, Mutaawe Lubogo, Abdullah Al, Khadija Mzava, Abdinasir Yusuf Osman, Ahmed Mohamed Abdikarim, Mohamed Abdirahman Abdi, Abdirahman Mohamed Abdullahi, Abdirizak Mohamed, Hussein Sheik Ahmed, Nuralein Yusuf Hassan, Aden Hussein, Abdullahi Yusuf Mohamed, Ibrahim Nur, Mukhtar Bulale Muhamed, Mohamed Abdelrahman Mohamed, Fawziya Abikar Nur, Hassan Mohamed, Mohamed Derow, Abdifatah Ahmed Diriye, Sk Md Mamunur Rahman Malik

Notice bibliographique

RevueFrontiers in Public Health · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueViral Infections and Outbreaks Research
Établissements canadiensnon disponible
Organismes subventionnairesNational Institutes of HealthMinistry of Health, British ColumbiaEuropean CommissionFolkhälsomyndighetenUNICEFWorld Health OrganizationPublic Health AgencyUnited States Agency for International Development
Mots-clésTimelineProcess managementDisease surveillanceMainstreamingThematic analysisBusinessMedicineDiseaseEnvironmental resource managementComputer sciencePolitical scienceGeographyQualitative research

Résumé

récupéré en direct d'OpenAlex

Introduction: In 2021, a regional strategy for integrated disease surveillance was adopted by member states of the World Health Organization Eastern Mediterranean Region. But before then, member states including Somalia had made progress in integration of their disease surveillance systems. We report on the progress and experiences of implementing an integrated disease surveillance and response system in Somalia between 2016 and 2023. Methods: We reviewed 20 operational documents and identified key integrated disease surveillance and response system (IDSRS) actions/processes implemented between 2016 and 2023. We verified these through an anonymized online survey. The survey respondents also assessed Somalia's IDSRS implementation progress using a standard IDS monitoring framework Finally, we interviewed 8 key informants to explore factors to which the current IDSRS implementation progress is attributed. Results: Between 2016 and 2023, 7 key IDSRS actions/processes were implemented including: establishment of high-level commitment; development of a 3-year operational plan; development of a coordination mechanism; configuring the District Health Information Software to support implementation among others. IDSRS implementation progress ranged from 15% for financing to 78% for tools. Reasons for the progress were summarized under 6 thematic areas; understanding frustrations with the current surveillance system; the opportunity occasioned by COVID-19; mainstreaming IDSRS in strategic documents; establishment of an oversight mechanism; staggering implementation of key activities over a reasonable length of time and being flexible about pre-determined timelines. Discussion: From 2016 to 2023, Somalia registered significant progress towards implementation of IDSRS. The 15 years of EWARN implementation in Somalia (since 2008) provided a strong foundation for IDSRS implementation. If implemented comprehensively, IDSRS will accelerate country progress toward establishment of IHR core capacities. Sustainable funding is the major challenge towards IDSRS implementation in Somalia. Government and its partners need to exploit feasible options for sustainable investment in integrated disease surveillance and response.

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)0,017
score de la tête « metaresearch » (Gemma)0,020
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: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,003
Communication savante0,0050,003
Science ouverte0,0010,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,110
Tête enseignante GPT0,438
Écart entre enseignants0,329 · 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
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Public HealthMême sujetViral Infections and Outbreaks ResearchTravaux en français237 207