Evaluating primary care programmes: a problem-solving cycle with literature review on programme evaluation for cervical cancer screening at a community health centre, Jakarta, Indonesia
Notice bibliographique
Résumé
Search, G -Funds CollectionBackground.Cervical cancer (CC) poses a significant burden on various aspects of public health, including overall wellbeing, social dynamics and economic factors.Objectives.This report aimed to evaluate the effectiveness of a primary care programme focused on CC screening through the Visual Inspection with Acetic Acid (VIA) test at a community health centre (CHC) in urban South Jakarta, Indonesia.Material and methods.We used a problem-solving cycle (PSC) approach to evaluate the programme's implementation and outcomes.This evaluation process included problem identification, situation analysis, root-cause determination using the Ishikawa diagram, prioritisation of problem-solving strategies based on the urgency, seriousness and growth (USG) and importance, technical feasibility and resource availability (ITR) matrix, as well as proposing recommendations for improvement using the magnitude, importance, vulnerability and cost (MIV/C) matrix.Results. the low VIA test coverage at our CHC (13.39% in 2020) highlights the need for targeted interventions to increase participation.Inefficient implementation of the programme stems from various reasons (input, process and environmental factors).The solutions target root causes such as material, actuation and community response to improve CC screening.Inadequate knowledge, limited healthcare accessibility and socio-economic disparities hinder programme success.Despite these challenges, programme evaluation can enhance the level of community health, improve the quality of life, increase early CC case detection and reduce morbidity and mortality.Conclusions.This study offers valuable insights and guidance for healthcare professionals in improving primary care programmes for CC screening.Future efforts should focus on addressing barriers and implementing targeted strategies to enhance programme effectiveness and reach.
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 | 0,084 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,014 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».