Operationalizing systems thinking approach to sustain public health rehabilitation programs: a rapid review and strategic synthesis
Notice bibliographique
Résumé
Background: Public Health Rehabilitation Programs (PHRPs) are essential to achieving universal health coverage and disability-inclusive health systems. Despite their importance, sustainability is threatened by demographic pressures, funding variability, and weak system integration. Systems Thinking (ST) provides a structured paradigm to address complexity, identify key leverage points, and embed adaptive capabilities for longer-term program survival. Our aim was to summarise global applications of ST in PHRPs and identify mechanisms that most effectively contribute to sustainability. Methods: We conducted a rapid review of peer-reviewed literature and global case studies published between 2010 and 2025. The short timeframe was intentionally selected to provide timely, policy-relevant insights while laying the groundwork for more extensive future reviews. Searches in PubMed, Scopus, and WHO repositories identified studies applying ST to sustain PHRPs. Data were thematically synthesized using the WHO 10-step ST framework and the Systems Thinking for Health (ST4H) model. Results: Six studies from six countries were included. Three mechanisms emerged: (1) Feedback Loops & Adaptive Learning, (2) Stakeholder Engagement & Systems Mapping, and (3) Strategic Leverage Points. Examples from diverse contexts, especially low- and middle-income countries such as Brazil, India, South Africa, and Jordan, demonstrated improved service integration, resilience, and reach. Conclusion: ST offers a robust framework for addressing persistent sustainability challenges in PHRPs. Embedding ST early in program design, supported by cross-sector engagement, systems literacy, and strong governance, enhances adaptability, equity, and efficiency. This rapid review provides actionable evidence for policymakers and practitioners, while also underscoring the need for context-specific sustainability metrics and broader scoping or systematic reviews to deepen and expand the evidence base.
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 | 0,051 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,037 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».