Improving emergency obstetric care at the primary health level: A capacity-building model in Lagos state, Nigeria
Notice bibliographique
Résumé
Maternal mortality in Nigeria remains alarmingly high, with many deaths resulting from preventable obstetric complications. Primary Health Centers (PHCs), which serve as the first point of contact for most pregnant women, often lack the capacity to manage emergencies effectively. This manuscript examines a capacity-building model aimed at strengthening emergency obstetric care (EmOC) at the primary health level in Lagos State. Drawing from national initiatives and international best practices, the study explores training interventions, simulation exercises, and systemic improvements in supply chains and referral networks. Competency-based training significantly enhanced provider knowledge and confidence, especially when supported by simulation drills and supervision frameworks. Facility-based programs also led to increased use of uterotonics, better partograph documentation, and improved management of hypertensive emergencies. However, challenges such as staff attrition, limited monitoring systems, irregular supply of essential drugs, and fragmented referral coordination persist. The paper argues that sustainable EmOC improvements require policy integration, institutional ownership, and consistent funding. Recommendations include embedding EmOC modules in pre-service and in-service training for nurses and midwives, strengthening referral and transport systems, and ensuring logistical support across PHCs. The Lagos State experience underscores the importance of a systems-based, contextually adapted, and government-led approach to maternal health. If implemented broadly, such a model could accelerate progress toward reducing preventable maternal deaths and achieving Sustainable Development Goal 3.1 across Nigeria and other low-resource settings. Keywords: Maternal Mortality, Primary Health Care, Emergency Obstetrics Care.
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».