An assessment of Nigeria’s health systems response to COVID-19
Notice bibliographique
Résumé
Objectives: This study aims to understand and report on selected health system interventions considered nationally and sub-nationally of particular significance both in terms of COVID-19 responses and in strengthening the health system for the future.Design: A review of published and grey literature, including journals, news/ media and official documents, was con-ducted from 1st December 2019 to 31st December 2020. The reviewers read and extracted relevant data using FAC-TIVA in a uniform data extraction template. Responses that related to service delivery were captured.Setting: The assessment considered responses at the national and two state levels: Lagos and Enugu, representing the epicentre and a low COVID-19 burden centre.Inclusion criteria: Documents and news that mentioned COVID-19 response, particularly service delivery aspects, were included in this review.Results: The identified interventions were mostly technical support targeted at health workers: including training of about 17,000 health workers, supervising and engaging more health workers, upgrading laboratories and building new ones to improve screening and diagnosis, and motivation of health workforce with incentives. Furthermore, the influx of philanthropic contributions improved the data and information systems supply of medicines, medical products and non-pharmaceutical protective materials through local production. The presence of political will and the government’s efforts in health system’s response to COVID-19 facilitated these interventions.Conclusions: Interventions of state and non-state actors have strengthened the health systems to some extent. How-ever, more needs to be done to sustain these gains and make the health system resilient to absorb unprecedented shocks.
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 | 0,048 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 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 ».