International Partnerships to Develop Evidence-informed Priority Setting Institutions: Ten Years of Experience from the International Decision Support Initiative (iDSI)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
All health systems must set priorities. Evidence-informed priority-setting (EIPS) is a specific form of systematic priority-setting which involves explicit consideration of evidence to determine the healthcare interventions to be provided. The international Decision Support Initiative (iDSI) was established in 2013 as a collaborative platform to catalyze faster progress on EIPS, particularly in low- and middle-income countries. This article summarizes the successes, challenges, and lessons learned from ten years of iDSI partnering with countries to develop EIPS institutions and processes. This is a thematic documentary analysis, structured by iDSI's theory of change, extracting successes, challenges, and lessons from three external evaluations and 19 internal reports to funders. We identified three phases of iDSI's work-inception (2013-15), scale-up (2016-2019), and focus on Africa (2019-2023). iDSI has established a global platform for coordinating EIPS, advanced the field, and supported regional networks in Asia and Africa. It has facilitated progress in securing high-level commitment to EIPS, strengthened EIPS institutions, and developed capacity for health technology assessments. This has resulted in improved decisions on service provision, procurement, and clinical care. Major lessons learned include the importance of sustained political will to develop EIPS; a clear EIPS mandate; inclusive governance structures appropriate to health financing context; politically sensitive and country-led support to EIPS, taking advantage of policy windows for EIPS reforms; regional networks for peer support and long-term sustainability; utilization of context appropriate methods such as adaptive HTA; and crucially, donor-funded global health initiatives supporting and integrating with national EIPS systems, not undermining them.
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.
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 | 0,017 | 0,015 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 découle