Strengthening Expanded Program for Immunization Service Delivery through the Hayat mHealth Application: A Cross-Sectional Study in Upper and Lower Chitral, Pakistan
Notice bibliographique
Résumé
<title>Abstract</title> <bold>Background</bold> Mobile health (mhealth) technologies are revolutionizing and transforming healthcare delivery, particularly in low resource settings, by improving data accuracy, accessibility and decision making. This study aimed to evaluate the effectiveness and usability of the Hayat m-health application in enhancing immunization service delivery ae well as data accuracy, compared to traditional manual EPI registers in Upper and Lower Chitral, Khyber Pakhtunkhwa KPK, Pakistan.<bold>Methodology</bold> A cross-sectional study conducted across 63 healthcare facilities using structured tools and data comparisons from the month of January to March 2024.<bold>Results</bold> The results showed that cumulative percentage difference (delta) between Hayat and manual records remained within acceptable 10% threshold for most vaccine antigens, indicating strong data accuracy. Whereas 100% of the 19 participating vaccinators demonstrated proficiency in features including registration and child search, although gaps were identified in advanced functions, like data integration and offline sharing. Vaccinator satisfaction with the application was undisputed. The matching of record between Hayat Application and vaccination cards exceeded 95% for all the essential antigens (BCG, Penta 1, Penta 2, Penta 3, MR 1, and MR 2). Therefore, these results support Hayat Application potential for improving immunization data accuracy and service delivery in the remote areas.<bold>Conclusion</bold> The Hayat mhealth application demonstrated strong potential for improving immunization of data accuracy and service delivery in remote areas and resource limited settings.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».