Using operational research as a tool to improve eye health services and systems in low-and middle-income settings: lessons from India and Nepal
Notice bibliographique
Résumé
Abstract Background Operational Research (OR), as part of a quality assurance program, has become a standard feature of most health institutions in most high-income countries. In contrast, in low-income settings, operational research is less common, and almost no one has asssed operational research capacity building (ORCB) as a tool to improve efficacy, efficiency and quality in these settings. This study evaluated the impact of an ORCB program on participants’ research competencies and the extent to which research findings were implemented in practice. Materials and methods This study combined quantitative and qualitative data to evaluate an ORCB intervention in eye hospitals in Nepal (3 sites) and northern India (1 site) from 2019 to 2022. A self-reported questionnaire was administered at the end of the study period, and formal interviews were conducted. The questionnaire covered knowledge improvement, practice implementation, and motivating and challenging factors. Statistical analysis included paired t-tests to compare pre- and post-training scores. Qualitative data were gathered through interviews and observations and analysed thematically. Results The program demonstrated significant improvements in participants’ research knowledge gain. Quantitative analysis revealed substantial gains in knowledge (p-values < 0.05 for all domains). Post-training, 66.7% developed study protocols, and 60% trained other staff or students. Qualitative feedback indicated overall positive impacts, including enhanced research and operational activities. However, reported challenges such as inconsistent mentorship quality, poor internet connectivity during online sessions, and difficulty in balancing clinical work with research. Despite these challenges, there was notable improvement in research practice and internal training within hospitals, and the program’s approach was appreciated for its effectiveness. Conclusion The study highlights the need for standardized training modules, consistent mentorship, and stronger institutional support. Building operational research capacity in resource-poor settings with limited administrative staff and weak data infrastructure improves individual staff knowledge and skills. Participants learned about scientific principles of reliability and validity and their importance to efforts to improve service equity, efficiency, and effectiveness.
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 | 0,021 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».