Key Characteristics and Perception of Different Outbreak Surveillance Systems in Côte d’Ivoire: Cross-Sectional Survey Among Users
Notice bibliographique
Résumé
Background: Accurate and timely infectious disease surveillance is pivotal for effective public health responses. An important component of this is the disease surveillance tools used. Understanding views and experiences of users is crucial for informing policy decisions and ensuring the seamless functioning of surveillance systems. Objective: In this study, we aimed to assess the user perceptions of 3 disease surveillance tools used in Côte d'Ivoire, namely, MAGPI, District Health Information Software 2 (DHIS2), and Surveillance Outbreak Response Management and Analysis System (SORMAS), the latter was implemented in 2021 within a pilot scheme. Methods: We conducted interviews and a web-based survey distributed to users of the 3 surveillance tools. The survey assessed users' views of the surveillance tools' usefulness, ease of use, feelings toward the tool, conditions that may influence the use, and other characteristics. The descriptive analysis compared responses from SORMAS, MAGPI, and DHIS2 users, providing a comprehensive evaluation of their experiences. Results: Among the 159 respondents who actively use one of the systems, MAGPI was the most widely used surveillance tool among respondents (n=127, 79.9%), followed by DHIS2 (n=108, 67.9%), and SORMAS (n=25, 15.7%). In terms of users' perceptions, SORMAS, despite its limited implementation, emerged as a tool that allows for data analysis and had the most comprehensive set of functionalities. DHIS2 was appreciated for its frequency of report provision, although users reported occasional IT system failures. MAGPI was recognized for its ease of use but was reported to lack certain functionalities offered by the other surveillance systems. Conclusions: This study offers valuable insights into the perceptions of disease surveillance tools users in Côte d'Ivoire. While all systems were positively regarded, each exhibited strengths and weaknesses addressing different needs and functionalities. Policy makers and health officials can use these findings to enhance existing tools or consider a unified approach for infectious disease surveillance systems. Understanding users' perspectives allows them to optimize the choice of surveillance tools, ultimately strengthening public health responses in Côte d'Ivoire and potentially serving as a model for other countries facing similar decisions in their health care systems.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».