MétaCan
Menu
Retour à la cohorte
Enregistrement W4393007443 · doi:10.2196/52191

The Role of Trust as a Driver of Private-Provider Participation in Disease Surveillance: Cross-Sectional Survey From Nigeria

2024· article· en· W4393007443 sur OpenAlexvenueno aff
Ellen M.H. Mitchell, Olusola Adedeji Adejumo, Hussein Abdur-Razzaq, Chidubem Ogbudebe

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueData-Driven Disease Surveillance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPublic health surveillancePublic healthMedicineEnvironmental healthDisease surveillanceHealth facilityHealth careFamily medicineMedical emergencyNursingPopulationHealth services

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Recognition of the importance of valid, real-time knowledge of infectious disease risk has renewed scrutiny into private providers' intentions, motives, and obstacles to comply with an Integrated Disease Surveillance Response (IDSR) framework. Appreciation of how private providers' attitudes shape their tuberculosis (TB) notification behaviors can yield lessons for the surveillance of emerging pathogens, antibiotic stewardship, and other crucial public health functions. Reciprocal trust among actors and institutions is an understudied part of the "software" of surveillance. OBJECTIVE: We aimed to assess the self-reported knowledge, motivation, barriers, and TB case notification behavior of private health care providers to public health authorities in Lagos, Nigeria. We measured the concordance between self-reported notification, TB cases found in facility records, and actual notifications received. METHODS: A representative, stratified sample of 278 private health care workers was surveyed on TB notification attitudes, behavior, and perceptions of public health authorities using validated scales. Record reviews were conducted to identify the TB treatment provided and facility case counts were abstracted from the records. Self-reports were triangulated against actual notification behavior for 2016. The complex health system framework was used to identify potential predictors of notification behavior. RESULTS: Noncompliance with the legal obligations to notify infectious diseases was not attributable to a lack of knowledge. Private providers who were uncomfortable notifying TB cases via the IDSR system scored lower on the perceived benevolence subscale of trust. Health care workers who affirmed "always" notifying via IDSR monthly reported higher median trust in the state's public disease control capacity. Although self-reported notification behavior was predicted by age, gender, and positive interaction with public health bodies, the self-report numbers did not tally with actual TB notifications. CONCLUSIONS: Providers perceived both risks and benefits to recording and reporting TB cases. To improve private providers' public health behaviors, policy makers need to transcend instrumental and transactional approaches to surveillance to include building trust in public health, simplifying the task, and enhancing the link to improved health. Renewed attention to the "software" of health systems (eg, norms, values, and relationships) is vital to address pandemic threats. Surveys with private providers may overestimate their actual participation in public health surveillance.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,026
Tête enseignante GPT0,351
Écart entre enseignants0,326 · 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
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetData-Driven Disease SurveillanceTravaux en français237 207