Operationalising an integrated mortality transition framework for programmatic priority setting across maternal and newborn health
Notice bibliographique
Résumé
Data-driven decision making will be instrumental in reducing maternal mortality, newborn mortality, and stillbirth levels in the coming years as the Sustainable Development Goal targets draw near in 2030. Tailoring evidence to be context-specific is crucial to target relevant questions, priorities, and needs. In doing so, there remains value in grounding local data in the broader global health data landscape. Here, we introduce one resource - an interactive benchmarking tool- that presents local insights contextualized in a maturity model based on evidence from over 150 countries. This tool positions a country in one of five mortality phases, compares its performance across maternal/newborn health program areas to peers in its phase, and facilitates connections to lessons from high-performing Exemplar countries that have achieved success on relevant indicators. It offers an opportunity to set evidence-based priorities, helping to identify indicators and subnational regions that may be important to target moving forward to accelerate progress. In select countries, the benchmarking approach has been piloted to inform maternal and newborn health evaluations and planning processes. This approach is adaptable to local contexts and use-cases, while in parallel fostering a shared way of thinking around maternal and newborn health strategic planning. In a global health financing environment that is increasingly constrained, such a tool to support data-driven priority setting is a timely resource.
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 | 0,126 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,015 | 0,013 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».