Health and TB systems resilience and pandemic preparedness: Insights from a cross-country analysis of data from policymakers in India, Indonesia, and Nigeria
Notice bibliographique
Résumé
Abstract Introduction The COVID-19 pandemic was an unprecedented challenge to health systems worldwide and had a severe impact on tuberculosis (TB) case notifications and service delivery. India, Indonesia, and Nigeria are high TB-burden countries where the majority of initial care-seeking happens in the private health sector. The objectives of this study were to (1) explore policymakers’ perspectives on the impact of the COVID-19 pandemic on private sector TB service delivery in India, Indonesia, and Nigeria; and (2) identify cross-cutting lessons learned for pandemic preparedness with respect to TB service delivery. Methods From May – November 2021, thirty-three interviews were conducted with key policymakers involved in health service administration, TB service delivery, and/or the COVID-19 response in India, Indonesia, and Nigeria (n = 11 in each country). Interviews focused on the impact of COVID-19 on TB services and lessons learned for pandemic preparedness with respect to TB. Data were analyzed thematically using a hybrid inductive-deductive approach, informed by Haldane et al.’s (2021) Determinants of Health Systems Resilience Framework. Results Policymakers highlighted the crucial role of intersectoral collaboration, effective governance, innovative financing strategies, health workforce reallocation, and technological advancements such as virtual consultations and mHealth in strengthening TB service delivery amid the COVID-19 pandemic. India relied on patient-provider support agencies to implement a joint strategy for TB care across sectors and states. Indonesia engaged networks of private provider professional associations to facilitate coordination of the COVID-19 response. Nigeria implemented a pandemic policy for public-private referral for the continuity of TB care. Conclusion Countries implemented varied measures to support TB service delivery during the COVID-19 pandemic. This study presents lessons learned from three countries (India, Indonesia, and Nigeria) that together offer a ‘menu’ of possibilities for supporting pandemic preparedness with respect to TB care vis-à-vis strengthening health systems resilience.
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 | 0,014 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».