Use of Supervision Data to Improve Quality of Care for Malaria in Pregnancy: Experience in Six African Countries
Notice bibliographique
Résumé
Malaria in pregnancy (MiP) intervention coverage, especially intermittent preventive treatment in pregnancy (IPTp), lags behind other global malaria indicators. In 2020, across Africa, only 32% of eligible pregnant women received at least three IPTp doses, despite high antenatal care attendance. We conducted a secondary analysis of data collected during Outreach Training and Supportive Supervision visits from 2019 to 2020 to assess quality of care and explore factors contributing to providers' competence in providing IPTp, insecticide-treated nets, malaria case management, and respectful maternity care. Data were collected during observations of provider-patient interactions in six countries (Cameroon, Cote d'Ivoire, Ghana, Kenya, Mali, and Niger). Competency scores (i.e., composite scores of supervisory checklist observations) were calculated across three domains: MiP prevention, MiP treatment, and respectful maternity care. Scores are used to understand drivers of competency, rather than to assess individual health worker performance. Country-specific multilinear regressions were used to assess how competency score was influenced by commodity availability, training, provider gender and cadre, job aid availability, and facility type. Average competency scores varied across countries: prevention (44-90%), treatment (78-90%), and respectful maternity care (53-93%). The relative association of each factor with competency score varied. Commodity availability, training, and access to job aids correlated positively with competency in multiple countries. To improve MiP service quality, equitable access to training opportunities for different cadres, targeted training, and access to job aids and guidelines should be available for providers. Collection and analysis of routine supervision data can support tailored actions to improve quality MiP services.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».