"I tell you, getting data for this is hell"–Exploring the use of evidence for noncommunicable disease policies in Ghana
Notice bibliographique
Résumé
After several years of over concentration on communicable diseases, Ghana has finally made notable strides in the prevention of NCDs by introducing key policies and programmes. Evident shows that there is limited NCD-related data on mortality and risk factors to inform NCD policy, planning, and implementation in Ghana. We explored the evidence base for noncommunicable disease policies in Ghana. A qualitative approach was adopted using key informant interviews and documents as data sources. An adaptation of the framework method for analysing qualitative data by Gale and colleagues' (2013) was used to analyse data. Our findings show that effort has been made in terms of institutions and systems to provide evidence for the policy process with the creation of the Centre for Health Information Management and the District Health Information Management System. Although there is overreliance on routine facility data, policies have also been framed using surveys, burden of disease estimates, monitoring reports, and systematic reviews. There is little emphasis on content analysis, key informant interviews, case studies, and implementation science techniques in the policy process of Ghana. Inadequate and poor data quality are key challenges that confront policymakers. Ghana has improved its information infrastructure but access to quality noncommunicable disease data remains a daunting challenge. A broader framework for the integration of different sources of data such as verbal autopsies and natural experiments is needed while strengthening existing systems. This, however, requires greater investments in personnel and logistics at national and district levels.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».