Effect of Digital Tools on the Knowledge and Performance of Frontline Health Workers For Diabetes Control in Myanmar: Cost-Effective Analysis and Quasi Experimental Study
Notice bibliographique
Résumé
Background: Diabetes has become a significant global health issue, particularly imposing a deep economic burden on low-income countries. Innovative and integrated digital solutions can reduce the impact of diabetes and enhance the quality of care. However, digital solutions have not been utilized before in Myanmar. Objective: This study aimed to demonstrate the novel integrated effect of diabetes knowledge and registry tools on the performance of front-line health workers in primary health care settings. Methods: A quasi-experimental study with an intervention and a control group was conducted in two townships from October 2022 to April 2023. For the first time, researchers trained the intervention group to use digital tools for diabetes control and performed monthly follow-ups. The study employed multiple linear regression models to explore the novel impact of digital tools on knowledge and performance scores, their correlations, and their association with covariates. Additionally, it assessed the cost-effectiveness of the intervention by using self-administered questionnaires as measurement tools formulated based on the National Diabetes Guidelines. Results: A total of 96 participants were enrolled in the study, divided evenly into the two groups. The intervention group exhibited a significant increase in the mean knowledge scores from 85.81 to 99.25 (P<.001) and performance scores from 71.22 to 107.16 (P<.001). The intervention accounted for 43.2% of the variance in knowledge scores and 62.5% in performance scores (P<.001). A positive correlation was found between knowledge and performance scores (r=0.45, P<.001). The intervention was also cost-effective, with a cost-effectiveness analysis value of 0.711 and an incremental cost-effectiveness ratio of 10127.04 Kyats (US$ 4.83). Conclusions: As the new integrated intervention yields significant economic gains and positive effects, researchers suggest policy makers replicate this intervention as a nationwide program and recommend scaling up the use of digital tools to improve knowledge and performance for diabetes control in frontline health workers.
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 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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».