MétaCan
Menu
Retour à la cohorte
Enregistrement W4408838695 · doi:10.3389/fphar.2025.1474999

Integrating WHO’s digital adaptation kit for antenatal care into BornFyne-PNMS: insights from Cameroon

2025· article· en· W4408838695 sur OpenAlexafffund
Miriam Nkangu, Brice Tangang, Arthur A. B. Pessa, Donald Weledji, Pamela Obegu, Mwenya Kasonde, Ngo Valery Ngo, Franck Wanda, Ronald Gobina, Odette Dzemo Kibu, Veronica Shiroya, Denis A. Foretia, Choolwe Jacobs, Armel Tassegning, Arone Wondwossen Fantaye, Fobellah Nkengfac, Rosemary K Muliokela, Tigest Tamrat, Natschja Ratanaprayul, Alice Tabebot, Sanni Yaya

Notice bibliographique

RevueFrontiers in Pharmacology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensBruyèreUniversity of Ottawa
Organismes subventionnairesGrand Challenges CanadaWorld Health Organization
Mots-clésStakeholderDigital healthComputer scienceAdaptation (eye)Service (business)MedicineHealth careMedical educationData scienceProcess managementPublic relationsBusinessPolitical scienceBiologyMarketing

Résumé

récupéré en direct d'OpenAlex

Background: Digital health innovations represent unique opportunities to address maternal, newborn, and child health challenges in Sub-Saharan Africa. In 2021, the World Health Organization (WHO) launched the Digital Adaptation Kits (DAKs) for antenatal care (ANC) as part of its Standards-Based, Machine-Readable, Adaptive, Requirements-Based, and Testable (SMART) guidelines approach. DAKs are operational and software-neutral mechanisms that convert WHO guidelines into standardized formats that can be easily integrated into digital systems by various countries. This article outlines the methodology for updating and integrating WHO DAK content into the BornFyne-prenatal management system (PNMS) version 2.0. Methods: This study, which employs a participatory action research approach, is part of a larger research study for the BornFyne-PNMS project. A review of the ANC DAK operational document and data dictionaries was conducted to identify elements that were present in BornFyne-PNMS version 1.0. This was followed by a series of consultations and stakeholder meetings. Results: Five stakeholder meetings were held to engage stakeholders across Cameroon. Some of the registration elements, among other DAK aspects of ANC service provision, were identified in BornFyne version 1.0 but required reorganizing, remodeling, and reanalyzing to align with the International Classification of Diseases codes and DAK data content as part of the expansion for BornFyne version 2.0. Up to 40% of the DAK dictionary data content existed within the BornFyne-PNMS version 1.0, including additional DAK content adapted to update BornFyne-PNMS version 2.0. The digital health ecosystem in Cameroon is in an emerging phase with an increasing demand for digital health technologies, especially in the areas of reproductive, maternal, newborn, child, and adolescent health. Conclusion: The digital health ecosystem in Cameroon is in an emerging phase with an increasing demand for digital health technologies, especially in the area of reproductive, maternal, newborn, child, and adolescent health. This article describes and documents the steps in operationalization of the ANC DAK content into the BornFyne-PNMS content, highlighting the DAK as an important tool for guiding and facilitating software engineers in developing and integrating recommended ANC guidelines into digital platforms to facilitate interoperability, going by the structure of the document, its workflow processes, and content mapping elements.

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)0,010
score de la tête « metaresearch » (Gemma)0,010
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0050,004
Communication savante0,0040,004
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,007
Tête enseignante GPT0,296
Écart entre enseignants0,289 · 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
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in PharmacologyMême sujetGlobal Maternal and Child HealthTravaux en français237 207