Introduction of Mobile Health Tools to Support COVID-19 Training and Surveillance in Ogun State Nigeria
Notice bibliographique
Résumé
Mobile health (mhealth) tools delivered through wireless technology are emerging as effective strategies for delivering quality training, ensuring rapid clinical decision making, and monitoring implementation of simple and effective interventions in under-resourced settings. We share our early experience of developing and deploying the InStrat COVID-19 health worker training application (App) in Ogun State, Western Nigeria where the country's first COVID-19 case was reported. This App was designed to directly provide frontline health workers with accurate and up-to-date information about COVID-19; enable them to quickly identify, screen and manage COVID-19 suspects; provide guidance on specimen collection techniques and safety measures to observe within wards and quarantine centers dealing with COVID-19. The App was deployed in 271 primary health care facilities in Ogun state and a total of 311 health workers were trained to use it. Of the 123 health workers who completed knowledge pre- and post-tests, their average test score improved from 47.5 (±9.4) to 73.1(±10.0) %, P < 0.0001 after using the tutorial. Rapid adoption and uptake were driven largely by public-private sector involvement as well as certification of health workers with reported satisfaction levels of over 95% among those who completed pre- and post-test surveys. Challenges encountered included a lack of universal availability of android phones for frontline health workers, lack of internet access in remote areas and a need to incentivize the workers. The timely deployment of this App targeting primary health care workers, mostly in hard-to-reach areas, obviated the need for conventional didactic training with potential of savings in training costs and time and could be applied to similar contexts.
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 | 0,001 | 0,000 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».