Surveillance system integration: reporting the results of a global multicountry survey
Notice bibliographique
Résumé
OBJECTIVES: Currently, there is no comprehensive picture of the global surveillance landscape. This survey examines the current state of surveillance systems, levels of integration, barriers and opportunities for the integration of surveillance systems at the country level, and the role of national public health institutes (NPHIs). STUDY DESIGN: This was a cross-sectional survey of NPHIs. METHODS: A web-based survey questionnaire was disseminated to 110 NPHIs in 95 countries between July and August 2022. Data were descriptively analysed, stratified by World Health Organization region, World Bank Income Group, and self-reported Integrated Disease Surveillance (IDS) maturity status. RESULTS: Sixty-five NPHIs responded. Systems exist to monitor notifiable diseases and vaccination coverage, but less so for private, pharmaceutical, and food safety sectors. While Ministries of Health usually lead surveillance, in many countries, NPHIs are also involved. Most countries report having partially developed IDS. Surveillance data are frequently inaccessible to the lead public health agency and seldomly integrated into a national public health surveillance system. Common challenges to establishing IDS include information technology system issues, financial constraints, data sharing and ownership limitations, workforce capacity gaps, and data availability. CONCLUSIONS: Public health surveillance systems across the globe, although built on similar principles, are at different levels of maturity but face similar developmental challenges. Leadership, ownership and governance, supporting legal mandates and regulations, as well as adherence to mandates, and enforcement of regulations are critical components of effective surveillance. In many countries, NPHIs play a significant role in integrated disease 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».