Exploring challenges and recommendations for verbal autopsy implementation in low-/middle-income countries: a cross-sectional study of Iringa Region—Tanzania
Notice bibliographique
Résumé
BACKGROUND: Verbal autopsy (VA) plays a vital role in providing cause-of-death information in places where such information is not available. Many low-/middle-income countries (LMICs) including Tanzania are still struggling to yield quality and adequate cause-of-death data for Civil Registration and Vital Statistics (CRVS). OBJECTIVE: To highlight challenges and recommendations for VA implementation to support LMICs yield quality and adequate mortality statistics for informed decisions on healthcare interventions. DESIGN: Cross-sectional study. STUDY SETTING: Iringa region in Tanzania. PARTICIPANTS: 41 people including 33 community health workers, 1 VA national coordinator, 5 national task force members, 1 VA regional coordinator and 1 member of the VA data management team. RESULTS: The perceived challenges of key informants include a weak death notification system, lengthy VA questionnaire, poor data quality and inconsistent responses, lack of clarity in the inclusion criteria, poor commitment to roles and responsibilities, poor coordination, poor financial mechanism and no or delayed feedback to VA implementers. Based on these findings, we recommend the following strategies for effective adaptation and use of VAs: (1) reinforce or implement legislative procedures towards the legal requirement for death notification. (2) Engage key stakeholders in the overall implementation of VAs. (3) Build capacity for data collection, monitoring, processing and use of VA data. (4) Improve the VA questionnaire and quality control mechanism for optimal use in data collection. (5) Create sustainable financing mechanisms and institutionalisation of VA implementation. (6) Integrating VA Implementation in CRVS. CONCLUSION: Effective VA implementation demands through planning, stakeholder engagement, upskilling of local experts and fair compensation for interviewers. Such coordinated endeavours will overcome systemic, technical and behavioural challenges hindering VA's successful implementation.
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 | 0,022 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».