Leveraging health financing, digital health and self-care approaches to strengthen maternal health journeys in India: perspectives from Assam
Notice bibliographique
Résumé
Maternal morbidity and mortality in India continue to be high in populations and places with limited access to quality health services. Major barriers include out of pocket expenditure, lack of autonomy and information around maternal health services and weak implementation of pro-poor policies. Addressing demand-side barriers and enablers is critical to improving healthcare uptake and healthcare adherence along the pregnancy-postnatal continuum. This paper describes three well known operational spaces, maternal health financing, digital health, and self-care interventions within the Indian context including pro-poor maternal health policies, mobile health ecosystems and networks, and self-care opportunities that promote women's knowledge, choice, self-efficacy, and autonomy. These are expanded on to identify additional opportunities to improve access to MH services. Finally, the authors describe a new digital health intervention using a chat-based digital support system that has the potential to reduce barriers that women face in seeking and receiving quality MH services in Assam and elsewhere. Future work on how to implement such a combined approach need to account for multiple contextual factors, including understanding the nature and success of national pro-poor MH policies in each state, how the public and private health systems function and interact, social determinants of health as well as engaging women in the process to improve maternal and newborn health outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».