پوسیاندو یک مرکز بهداشتی سلامت مادر و کودک اندونزیایی است که مبتنی بر جامعه است. ارائه نقشه کیفیت داده پوسیاندو برای تجزیه و تحلیل نتایج بسیار مهم است اما محدود است. این تحقیق با هدف (الف) نشان دادن تجزیه و تحلیل کیفیت داده ها بر روی کامل بودن، دقت و سازگاری آن و (ب) نقشه کیفیت داده ها در اندونزی برای ارزیابی و بهبود انجام شد. یک مطالعه مشاهده ای با استفاده از پوسیاندو انجام شدکاربرد. ما داده‌ها را از سال 2019 تا 2021 در اندونزی مشاهده کردیم. کامل بودن داده‌ها با استفاده از بازدید از کودکان در سال شناسایی شد. دقت داده‌ها با استفاده از آنتروپومتری سازمان جهانی بهداشت و مقادیر z-score غیرقابل قبول با تجزیه و تحلیل نقاط پرت مورد تجزیه و تحلیل قرار گرفت. برای شناخت همسانی داده ها از α متغیرهای کرونباخ استفاده شد. برای تحلیل و ترسیم کیفیت از STATA 15.1 SE و QGIS 3.10 استفاده شد. کامل بودن و دقت داده‌ها در سه سال شروع خوبی را برای منطقه پروژه آزمایشی نشان می‌دهد که با کاهش زمان همه‌گیری ادامه یافت، در حالی که برخی مناطق دیگر شروع کوچکی را نشان دادند، سپس کمی افزایش یافتند. سازگاری کلی در طول دوره مطالعه کاهش یافت. یک گزارش خوب در مورد کامل بودن داده ها می تواند در ابتدا در یک منطقه پروژه آزمایشی و به دنبال آن سایرین رخ دهد. دقت و ثبات داده ها می تواند در طول همه گیری کاهش یابد.

کلید واژه ها: 

کیفیت داده ها ؛ iPosyandu ; نقشه ; mHealth

1. مقدمه

ابزارهای انفورماتیک سلامت (HIT) با استفاده از برنامه های سلامت موبایل (mHealth) به طور گسترده مورد استفاده قرار گرفته اند زیرا می توانند داده ها را از کاربران نهایی جمع آوری کرده و آنها را در یک پایگاه داده منبع ذخیره کنند [ 1 ]. استفاده از یک محیط مراقبت های بهداشتی منجر به اسناد الکترونیکی پرونده پزشکی و ذخیره سازی پایگاه داده می شود [ 2 ]. چنین اسنادی در محیط مراقبت های بهداشتی جامعه نیز مورد نیاز است. به عنوان مثال، کارکنان بهداشت جامعه (CHWs) از برنامه های تلفن همراه به جای لپ تاپ استفاده می کنند زیرا استفاده از آنها آسان تر است. با این حال، استفاده از آن موضوع آموزشی دیگری است زیرا سواد فناوری در مورد مستندسازی و گزارش‌دهی به تلاش زیادی نیاز دارد [ 3 ]. علاوه بر این، دسترسی به آموزش کافی در زمینه سواد فناوری در طول همه گیری مشکل ساز است [ 2 ، 4 ]]. می تواند باعث کیفیت پایین داده شود [ 4 ، 5 ، 6 ]. کیفیت داده ها پیش نیازی برای تجزیه و تحلیل داده ها در تحقیقات پزشکی، جلوگیری از خطاها و ارائه اطلاعات برای مداخله مبتنی بر شواهد در ارتقای سلامت است [ 7 ، 8 ]. ارائه خط مشی مبتنی بر شواهد به تحلیلی بستگی دارد که باید از کیفیت داده های پردازش شده از داده های خام تا داده های آماده برای تجزیه و تحلیل استفاده کند. به طور کلی کیفیت داده های بهداشت عمومی در یک سیستم اطلاعاتی از ابعاد مختلفی تشکیل شده است. به عنوان مثال می توان به کامل بودن، دقت، به موقع بودن یا به روز بودن، اعتبار، ارتباط، قابلیت اطمینان، مقایسه، سازگاری داخلی یا خارجی و مدیریت داده ها اشاره کرد. 6 ]]. سازمان جهانی بهداشت (WHO) چهار بعد را بررسی کرد: (1) کامل بودن و به موقع بودن، (2) سازگاری داخلی، (3) سازگاری خارجی، و (4) مقایسه خارجی [ 9 ]. تجزیه و تحلیل دقت داده ها را با فرمول استاندارد رشد کودک WHO مشاهده کرد تا نسبت مقادیر قابل قبول را بدست آورد [ 10 ].
در اندونزی، از دهه 1980، یک محیط مراقبت بهداشتی جامعه مادر و کودک (MCH) به نام پوسیاندو ، مخفف Pos Pelayanan Terpadu یا پست خدمات مجتمع [ 3 ، 11 ، 12 ] ایجاد شده است. پوسیاندو در هر دهکده ای قرار دارد که توسط CHW ها اداره می شود و توسط یک ماما روستایی با هماهنگی Pusat Kesehatan Masyarakat ( Puskesmas ) یا مرکز بهداشت عمومی نظارت می شود [ 3 ، 13 ]. در مورد mHealth، ماماها و CHW ها به داده های MCH دسترسی دارند. ماماها می توانند غربالگری MCH، ارزیابی، اجرا و ارزیابی مراقبت های مامایی را بر اساس داده ها انجام دهند.14 ]. فعالیت های ماهانه پوسیاندو از ثبت نام مادران و فرزندان زیر پنج سال آنها، اندازه گیری وزن و قد، آموزش تغذیه و ایمن سازی شروع می شود. علاوه بر این، ویتامین A دو بار در سال (در ماه فوریه و آگوست) داده می شود [ 12 ]. CHW ها آن فعالیت ها را در دفترچه خود ثبت می کنند و سپس آن داده ها را در کتاب سیستم اطلاعات پوسیاندو (PIS) و کتاب سلامت مادر و کودک (MCH) بازنویسی می کنند. سپس، آن را به Puskesmas داده می شود، اولین لایه امکانات مراقبت های بهداشتی پیش بیمارستانی برای درمان مشکلات بهداشتی. پس از آن، داده ها توسط کارکنان مراقبت های بهداشتی (HCWs)، مانند ماماها، کارکنان تغذیه، و پرستاران در Puskesmas دریافت می شود و با استفاده از برنامه (برنامه) دولت ملی، مانند ضبط و گزارش تغذیه، به نام برنامه ePPGBM، گزارش می شود. با این حال، مستندسازی و گزارش‌دهی فعالیت‌ها از پوسیاندو در جامعه به سطح ملی فرآیندی طولانی و زمان‌بر است.
برای کوتاه کردن این فرآیند، ما یک برنامه سلامت تلفن همراه مستقل برای آن ساختیم Posyandu ساختیم، برنامه iPosyandu، در سال 2017. قابلیت همکاری با سیستم اطلاعات سلامت دولت، مانند ePPGBM، هدف اولیه ساخت اپلیکیشن iPosyandu است. ePPGBM فرم های اکسل را ارائه می دهد که می توانند به آن وارد شوند. iPosyandu می‌تواند فرم‌های مشابه Excel را که قبلاً با داده‌های MCH مورد نیاز پر شده‌اند صادر کند، سپس فرم‌ها را به ePPBGM وارد کند. برنامه iPosyandu در منطقه پروژه آزمایشی ما، Purwakarta Regency، جاوا غربی، راه‌اندازی، اجرا و ارزیابی شد. سپس استفاده تقریباً به تمام استان های اندونزی گسترش یافت. با این حال، کیفیت داده ها نیاز به بهبود دارد. تلاش‌ها برای ایجاد ظرفیت برای CHWها و مادران کودکان زیر پنج سال با استفاده از این برنامه از سال 2018 انجام شده است. CHWها به زمان بیشتری برای سازگاری با برنامه نیاز دارند، از ثبت هویت (شناسه) تا جمع‌آوری داده‌ها [ 3 ]] و تحت نظارت ماماهای روستا برای به دست آوردن کیفیت خوب داده ها. بنابراین می توان از داده ها برای بهبود نتایج تحلیل استفاده کرد.
تحقیقات قبلی داده‌های مراقبت‌های بهداشتی را با سیستم اطلاعات جغرافیایی (GIS) ارائه می‌کرد [ 15 ، 16 ، 17 ]، و تحقیقات دیگر نیز تجزیه و تحلیل بهداشت محیط را با استفاده از GIS [ 18 ] نشان می‌داد. طبق سازمان بین‌المللی استانداردسازی، کیفیت داده‌های جغرافیایی نقشه‌برداری شامل مقوله‌هایی مانند کامل بودن، ثبات منطقی، دقت موقعیتی و موضوعی و کیفیت زمانی است [ 19 ]. ارائه یک نقشه کیفیت داده های جامعه قبل از تجزیه و تحلیل نتایج با استفاده از GIS [ 20 ] بسیار مهم است، اما بررسی های اخیر ادبیات نشان می دهد که چالش برانگیز است [ 21 ، 22 ]]، مهمتر از آن برای کشور ما، اندونزی. نقشه کیفیت داده در تغذیه معمولاً از داده‌های آنتروپومتریک منطقه‌ای یا ملی به دست می‌آید اما فاقد داده‌های خانگی است [ 23 ]. تحقیقات ما جزئیات بیشتری را نسبت به داده های خانگی ارائه می دهد. ما کیفیت داده‌ها را از داده‌های فردی، یعنی مربوط به هر کودک، تجزیه و تحلیل کردیم. نقشه کیفیت داده ها برای تجزیه و تحلیل بیشتر برای ایجاد یک سیستم اطلاعاتی با کیفیت بالاتر برای اهداف اجتماعی، مانند ارتقای سلامت، حیاتی و مفید است [ 24 ]. علاوه بر این، کیفیت داده ها برای یادگیری ماشین، GIS و سنجش از دور اجتماعی (حسگر از راه دور تکمیل شده توسط مطالعات اجتماعی) برای تکمیل سیستم اطلاعات سلامت حیاتی است 25 ]. مشکلی که برای به دست آوردن کیفیت خوب داده ها باید حل شود مربوط به شخصی است که وارد کردن داده ها را انجام می دهد.26 ]. یک فرد اختصاص داده شده برای چنین کاری برای یک سازمان ضروری است. با این حال، افسران ورود داده ها اغلب در بخش های مراقبت های بهداشتی تعداد محدودی دارند زیرا آنها به جای ورود داده ها بر خدمات بهداشتی تمرکز می کنند. در این زمینه، ما فرض می کنیم که کیفیت داده ها در طول سه سال گذشته بهبود یافته است زیرا CHWs نحوه استفاده از برنامه را یاد گرفته است. سه شاخص برای ارزیابی تغییرات در کیفیت داده ها مورد تجزیه و تحلیل قرار گرفت: کامل بودن داده ها، نسبت مقادیر قابل قبول، و سازگاری متغیرهای جمع آوری شده. ما همچنین این شاخص‌ها را در طول سال‌ها ترسیم کردیم تا ببینیم آیا آنها به طور مشابه در سراسر اندونزی تکامل یافته‌اند یا خیر.

2. مواد و روشها

یک مطالعه مشاهده‌ای با استفاده از برنامه Posyandu ، به نام iPosyandu، که در Google Play در دسامبر 2018 ثبت شده است، در نتیجه شروع پروژه در منطقه Purwakarta، استان جاوای غربی/جاوا برات انجام شد. از آن زمان تاکنون، استفاده از آن در سراسر اندونزی گسترش یافته است. ما کیفیت داده ها را برای سه سال گذشته (2019-2021) مشاهده کردیم. ما 3 بعد از 4 بعد را از چارچوب بررسی کیفیت داده های WHO (DQR) انتخاب کردیم: (1) کامل بودن، (2) دقت و (3) سازگاری داخلی [ 9]. ما از بعد چهارم، سازگاری خارجی استفاده نکردیم، زیرا iPosyandu back-end هنوز با دولت HIT مرتبط نشده است. بنابراین ما به آن دسترسی نداشتیم. WHO اعلام کرد که کامل بودن به درصد گزارش های ماهانه در یک سال اشاره دارد. در زمینه این تحقیق، ما دقت را به عنوان نسبت مقادیر قابل قبول در داده ها (به عنوان مثال، نه پرت، همانطور که توسط WHO تعریف شده است) تعریف می کنیم. سازگاری، سازگاری داخلی بین اقلام داده مرتبط را در زمان‌های مختلف تأیید می‌کند [ 3 ].
قبل از تجزیه و تحلیل، تکرار داده ها با استفاده از شماره شناسایی (ID) کودکان زیر پنج سال و تاریخ بازدید از پوسیاندو مورد آزمایش قرار گرفت . ما می خواهیم از ورود بیش از یک داده به ازای هر کودک در ماه اطمینان حاصل کنیم که منعکس کننده یک گزارش ماهانه به Posyandu است. دلیل آن این است که فعالیت پوسیاندو در هر روستا به صورت ماهانه برگزار می شود. در حالت ایده آل، انتظار می رود که 12 بازدید در یک سال باشد. WHO داده های گزارش 9-12 بازدید در سال را به عنوان گزارش کامل مورد انتظار پوسیاندو طبقه بندی می کند . 9 ]]. کامل بودن داده های ما با استفاده از یک متغیر شناسایی شد که دارای دسته بندی 1-4، 5-8 و 9-12 بازدید در سال است. درصد سلول کامل بودن و صحت داده ها در تمامی استان ها در نتایج جدول ارائه شده است. WHO اعلام کرد که به موقع گزارش دهی منطقه باید حداقل 75 درصد از گزارش های ماهانه ارائه شده به موقع باشد و در سطح ملی از منطقه دریافت شود. WHO همچنین پیشنهاد می کند که معیار به هر کشور بستگی دارد. وزارت بهداشت ما 75 درصد را به عنوان هدف سال 2022 ذکر کرده است [ 27 ].
در زمینه تحقیق ما، دقت داده ها با استفاده از استانداردهای رشد کودک سازمان جهانی بهداشت برای بدست آوردن نسبت پرت (مقادیر غیرقابل قبول) و دقیق (مقادیر قابل قبول) تجزیه و تحلیل شد. این استاندارد شده و به طور گسترده مورد استفاده قرار گرفته است، و ما از استانداردهای آنتروپومتری WHO در قسمت پشتی برنامه استفاده می کنیم. استاندارد را می توان از نصب کننده بسته STATA برای اجرای دقت داده ها با استفاده از چهار متغیر سن، وزن، قد و جنسیت نصب کرد. در فعالیت‌های پوسیاندو ، این داده‌ها جمع‌آوری می‌شوند: سن و جنسیت از ثبت نام است، سپس وزن و قد پس از اندازه‌گیری در کتاب سلامت مادر و کودک (MCH) ثبت می‌شود. وجود نقاط پرت با معیارهای WHO از ارزش z-score غیرقابل قبول آنالیز شد: waz (وزن در هر سن) > 5 انحراف استاندارد (SD) و <-6 SD، haz(قد در هر سن) > 6 و <-6، واتز (وزن در قد) > 5 و <-5 SD [ 10 ]. این مقدار غیرقابل قبول یک علامت هشدار برای ارزیابی مجدد است که آیا این یک دلیل مخدوش کننده بیولوژیکی یا فنی موجود است، مانند یک خطای انسانی در ورود داده ها [ 10 ، 28 ]. مشاهدات باقی مانده مقادیر قابل قبولی در نظر گرفته می شوند. ما تکراری بودن داده را حذف نکردیم تا رفتارهای ورودی داده را در تجزیه و تحلیل دقت و سازگاری ببینیم. بنابراین، ممکن است منجر به تعداد کل داده های بالاتری شود. برای تجزیه و تحلیل تفاوت در کامل بودن و دقت در 3 سال از آزمون کای دو استفاده شد. ما فرض می کنیم که تفاوت هایی در کامل بودن و دقت بین سال ها وجود دارد و این اطلاعات می تواند از اندازه گیری کیفیت داده ها پشتیبانی کند [ 6 ]].
همسانی داده ها با استفاده از آلفای کرونباخ 5 متغیر مورد استفاده در iPosyandu مورد تجزیه و تحلیل قرار گرفت: مالکیت کتاب سلامت مادر و کودک (MCH)، آنتروپومتری به عنوان نتیجه اندازه گیری وزن و قد، تغذیه تکمیلی به عنوان خدمات در پوسیاندو برای نوزاد و کودک، از جمله کسانی که از اسهال، ایمن سازی به عنوان داده هایی که باید در کتاب MCH ثبت شود، و ویتامین A که به طور معمول دو بار در سال تجویز می شود، رنج می برند. WHO چهار معیار سازگاری داخلی را ذکر کرد. در این تحقیق از انسجام بین اقلام داده های مرتبط و در مقاطع زمانی مختلف استفاده کردیم، زیرا به بررسی اسناد منبع در مراکز بهداشتی دسترسی نداریم. 9 ]]. مجوز نسخه 15.1 STATA (StataCorp LLC، College Station، تگزاس 77845، ایالات متحده آمریکا) برای تجزیه و تحلیل استفاده شد. QGIS 3.10 (متن باز) و shapefile از 34 استان اندونزی برای ترسیم کیفیت داده ها استفاده شد. فعالیت های اجتماعی در پوسیاندو توانمندسازی مشارکتی است. مشارکت جامعه را می توان به عنوان نقشه برداری اجتماعی ترسیم کرد. نقشه برداری اجتماعی نشان دهنده راهی برای تجسم جنبه های جامعه در دوره های خاص، مانند الگوهای اجتماعی مشارکتی در طول زمان و رابطه بین جامعه و عوامل فضایی است. در نقشه برداری اجتماعی، کلاس های بیشتری برای نمایش اطلاعات بصری در هر منطقه مورد نیاز است. ما از کلاس های بیشتری در نقشه های کامل و دقت استفاده کردیم. اگر تعداد کمتری از کلاس ها استفاده شود، اطلاعات هر منطقه قابل مشاهده نخواهد بود [ 29 [ 30 ].

3. نتایج

جدول 1 کامل بودن داده ها را با تفاوت معنی داری از 2019 تا 2021 نشان می دهد که از 28.73٪ شروع می شود، جایی که 11.23٪ بازدیدهای خود را (9 تا 12 در سال) از Posyandu انجام دادند . در سال 2020 (سال اول همه گیری)، کامل بودن کل 19.31٪ بود که 11.74٪ آن هنوز 1 تا 4 بار در سال بازدید می کردند. در سال 2021، به 51.96٪ (سال 2 همه گیری)، با بیشتر بازدیدهای 1-4 و 5-8 در سال افزایش یافت. ما موارد تکراری را از نظر کامل بودن بررسی کردیم و 3583 (5.36%) تکرار پیدا کردیم که منجر به 63272 مورد غیر تکراری ( جدول 1 ) از کل داده های 66855 شد (این تعداد کل در جدول 2 آمده است).
صحت کل داده ها در ابتدای سال همه گیر (2020) کاهش یافته و در سال بعد افزایش یافته است که در این سه سال مقادیر پرت به طور مداوم کاهش یافته است. تفاوت بین سال ها معنی دار است (05/0<). این اطلاعات در جدول 2 قابل مشاهده است.
جزئیات کیفیت داده ها در هر استان در سه سال در زیر توضیح داده شده است. در جدول 3 (کامل بودن)، جدول 4 (دقت و سازگاری) و شکل 1 ، شکل 2 و شکل 3 نشان داده شده است.

3.1. کامل بودن داده ها

جدول 3کامل بودن داده ها را در هر استان از سال 2019 تا 2021 نشان می دهد. ما برخی از نتایج نوظهور از کامل بودن کل داده ها را برجسته می کنیم. ما داده های گزارش خوبی را در مورد کامل بودن (87.68٪) در جاوای غربی (Jawa Barat) یافتیم، اما در جاکارتا (3.8٪)، مرکزی Sulawesi/Sulawesi Tengah (2.73٪)، بالی (2.18٪)، لامپونگ (1.15٪) و کم بود. بقیه استان ها به طور کلی، داده های کامل تقریباً در تمام استان ها ظرف سه سال کاهش یافت. جاوای غربی استانی است که عمیق‌ترین شکاف کاهش را بین سال‌های 2019 و سال‌های همه‌گیری پس از آن دارد، در حالی که سولاوسی مرکزی، که کم شروع شد، در سال‌های بعد کمی افزایش یافت. برجسته قرمز روی جدول به عدم دسترسی به داده اشاره دارد زیرا CHWs در استان از این برنامه استفاده نکرده اند. ما از سایر نکات برجسته استفاده کردیم تا خواننده راحت تر بتواند کامل بودن استفاده را پیدا کند. نقشه ها درشکل 1 a-c کامل بودن کل را نشان می دهد که شامل خلاصه تعداد بازدید از پوسیاندو است : 1-4، 5-8، و 9-12 بازدید در سال. گسترش کامل استفاده از برنامه در توزیع فضایی کاهش می‌یابد ( شکل 1 ) اما از نظر درصد بیشتر از سال‌های گذشته است (51.96%، p <0.05 در جدول 1 ). فعالیت‌های مراقبت‌های بهداشتی جامعه، از جمله ورود داده‌ها، در طول همه‌گیری کاهش یافت، و برخی مناطق در کشور بر بهبود تعداد گزارش‌های پوسیاندو در مورد ملاقات‌های مادر و کودک، از جمله پس از همه‌گیری تمرکز کردند.

3.2. دقت و سازگاری داده ها

جدول 4 دقت و ثبات داده ها را در هر استان از سال 2019 تا 2021 نشان می دهد. ما دریافتیم که جاوا غربی بالاترین درصد دقت را دارد زیرا این استان پروژه آزمایشی است. سایر استان‌هایی که در استفاده از این برنامه مشارکت داشتند، مانند جاکارتا، سولاوسی مرکزی، جاوا شرقی و بالی، درصد دقت کمتری داشتند. ما از رنگ هایلایت قرمز، زرد و سبز با عملکردی مشابه در بخش کامل بودن داده ها استفاده کردیم. شکل 2 a-c صحت کل داده ها را در طی سه سال نشان می دهد، به طور کلی مشابه کامل بودن. دقت مناطقی مانند جاکارتا، سولاوسی مرکزی و جاوه شرقی در حال افزایش است، هرچند همه‌گیری. اگرچه منطقه پراکندگی فضایی بالاتر (قسمت سفید، دقیق نیست) در طول سالها ( شکل 2).دقت داده ها بر روی استان های رنگی موجود در سال 2021 ( جدول 4 ).
ثبات کلی در هر سال به ترتیب 0.56، 0.49 و 0.45 بود. در نقشه ( شکل 3 a-c)، ما از طبقه بندی های سازگاری بالا (> 0.7-1)، متوسط ​​(> 0.5-0.7)، کم (0.3-0.5)، ناسازگار (<0.3) استفاده کردیم [ 31 ، 32 ]. ما “ناسازگار” فهرست شده در افسانه نقشه را به تفصیل شرح دادیم، بنابراین اطلاعات را از دست نمی دهیم. در جدول 4 ، می بینیم که سازگاری بالاتر می تواند در تعداد کمی از داده ها رخ دهد و برعکس. بخش داده‌ای در دسترس نیست (قرمز در ستون دقت داده یا “بدون obs” در ستون سازگاری) می‌تواند به عنوان افرادی که از برنامه استفاده نمی‌کنند تفسیر شود.

4. بحث

کیفیت داده‌های ما (کامل، دقت و سازگاری)، که هنوز در سه سال اول است، کیفیت خوبی را برای منطقه پروژه آزمایشی نشان می‌دهد اما در سایرین پایین است. کیفیت داده ابزارهای انفورماتیک سلامت ممکن است هنوز برای استفاده طولانی مدت چالش برانگیز باشد. برخی از برنامه ها برای رسیدن به کیفیت خوب به هشت سال زمان نیاز دارند. این نویدبخش است که توسعه برنامه سازگار با آموزش، به عنوان مثال، استفاده از فیلم های آموزشی در برنامه، حیاتی است [ 33 ]. انتخاب یک منطقه برای یک پروژه آزمایشی در حال توسعه حیاتی است [ 34]. پس از ثبت نام در Google Play، با تمرکز بر کاربرپسند بودن پیاده‌سازی شده در منطقه، یک برنامه می‌تواند قابلیت استفاده آسان‌تری را برای کاربران نهایی در مناطق دیگر در همان کشور فراهم کند. عوامل اصلی تعبیه شده در کاربران نهایی برای کیفیت داده ها سواد دیجیتال، انگیزه و ویژگی ها (سطح تحصیلات، سن، حرفه) است [ 33 ، 35 ، 36 ].
معیارهای کادر می‌تواند به سنین تولیدی جوان‌تر تغییر کند، زیرا این امر زندگی کاری طولانی‌تر در مراقبت‌های بهداشتی جامعه را انتخاب می‌کند [ 37 ]. تحقیقات قبلی بیان می‌کردند که سالمندان می‌توانند سالمندان را مربیگری کنند و توانایی‌های بالاتری را برای افراد مسن‌تر ایجاد کنند تا در سلامت دیجیتال عمل کنند [ 38 ]. با این حال، کادرهای مسن‌تر نسبت به افراد جوان‌تر، تجربیات کاری بالغ‌تری دارند [ 39 ]. در منطقه پروژه آزمایشی ما، متوجه شدیم که سن به دانش آنها در اجرای mHealth مربوط نمی شود زیرا فرآیند یادگیری می تواند در جوان تر یا مسن تر رخ دهد [ 40 ]]. هر چه سن کمتر باشد، سواد دیجیتال بالاتر است و برعکس. با این وجود، صرف نظر از سن، آموزش و انگیزه می تواند خدمات و ورود داده ها را افزایش دهد [ 3 ، 40 ، 41 ]. فاکتور پشتیبانی از ماما نیز نقش اساسی در نظارت، نظارت و تأیید داده های وارد شده توسط کادر با استفاده از mHealth ایفا می کند. این حمایت مشترک می تواند کادر را برای استفاده از mHealth [ 42 ] ترغیب کند. بنابراین، ورود و گزارش داده‌ها از CHW به ماماها از طریق mHealth می‌تواند سریع‌تر و به موقع باشد [ 43 ]. هر دو نقش (ماما و کادر) برای رضایت کادر در استفاده از برنامه به هم مرتبط هستند. همکاری آنها سنگ بنای اجرای ثبات پوسیاندو است[3 ، 11 ]. عوامل تعیین‌کننده‌ای که بر استفاده از برنامه‌ها تأثیر می‌گذارند عبارتند از مزایای درک شده، موانع، و ظاهر برنامه‌های کاربردی آسان [ 44 ]. راحتی کاربر اصلی ترین چیز در دستیابی به رضایت است. پنج بعد در اندازه گیری رضایت برنامه وجود دارد: ابعاد محتوا [ 45 ]، ابعاد دقت داده [ 46 ، 47 ]، ابعاد نمایش [ 48 ]، ابعاد سهولت استفاده [ 49 ] و به موقع بودن [ 50 ].
در سطح جامعه، حضور یک ماما روستایی می‌تواند کادر را در هنگام انجام خدمات، مستندسازی داده‌ها و گزارش‌دهی مربی و نظارت کند. در سطح اول مرکز مراقبت های بهداشتی در اندونزی، به نام Puskesmas ، داده ها را می توان قبل از ارسال به اداره بهداشت منطقه و وزارت بهداشت، بازیابی، بررسی و تأیید کرد. با توجه به انتقال از دستی به دیجیتال، از یک طرف، این انتقال می تواند روند استفاده کادر از برنامه برای خدمات، ضبط داده ها و گزارش را کند کند. با این حال، طول فرآیند حدود 2 تا 3 سال است که برای توسعه و انتشار دانش قبل از انجام سریعتر کافی است [ 3 ]]. دولت محلی می‌تواند عملکرد کارکنان مراقبت‌های بهداشتی و انگیزه آنها برای حمایت از CHW را تحت فشار قرار دهد.37 ] با آموزش مادران، انجام غربالگری مانند وزن و قد و ثبت آنها و ارجاع افراد مشکوک به ماماهای روستا [ 3 ]. دولت ها با دادن پاداش های مادی، مانند مشوق ها، از کار خود حمایت می کنند [ 37 ]. مهمتر از آن، ارائه یک سهمیه اینترنت در پشتیبانی از ابزار حیاتی است [ 51 ]. علاوه بر این، تمرکززدایی از دولت ملی به دولت محلی می تواند تخصیص بودجه انعطاف پذیرتری را بسته به شرایط محلی ایجاد کند [ 52 ].
دولت اندونزی یک برنامه کادر توسعه انسانی (HDC) را در سال 2020/2021 با تمرکز بر نقشه برداری اجتماعی از طریق پوسیاندو آغاز کرده است، مانند مشکلات تغذیه (سوء تغذیه، کوتاهی رشد، هدر رفتن) و محیطی (در دسترس بودن توالت)، خدمات و ثبت داده ها، حتی اگرچه کادرهای کمتری جذب شده اند [ 53 ]. از این عوامل تغذیه‌ای و محیطی در پوسیاندو ، می‌توان نقشه‌های اجتماعی را به‌عنوان یک نقشه با یک مرز اداری برای نشان دادن اطلاعات مربوط به هر منطقه، به‌عنوان مثال، مرزهای روستا، ناحیه، شهر، منطقه، و استان تولید کرد [ 53 , 54 ]]. در این مورد، نقشه اجتماعی را می توان با یک نقشه کیفیت داده در تحقیق ما پشتیبانی کرد. از طریق برنامه iPosyandu، کادرها می‌توانند مستقیماً داده‌های حاصل از فعالیت‌های Posyandu را وارد کنند ، که داده‌های آنها را می‌توان مستقیماً دانلود کرد و کیفیت داده را تأیید کرد. برنامه دولتی e-PPBGM (ضبط و گزارش تغذیه مبتنی بر جامعه الکترونیکی) یکپارچه سازی جلویی ارائه می کند که نتیجه فایل اکسل مشابه را می توان در برنامه آپلود کرد [ 55 ]. تا کنون، پیاده سازی داده های ورودی در برنامه e-PPBGM هنوز توسط افسران Puskesmas بر اساس اندازه گیری های انجام شده توسط کادر در Posyandu انجام می شود.. بنابراین، از طریق استفاده از iPosyandu توسط کادرها، این مشکل می تواند بر مشکل تاخیر در ورودی داده در برنامه e-PPBGM غلبه کند [ 3 ].
انجام نقشه های کیفیت داده ها می تواند مبنایی برای تجزیه و تحلیل بیشتر باشد، مانند یادگیری ماشین، سنجش از دور و سیستم های اطلاعات جغرافیایی (RS-GIS). روش یادگیری ماشینی از داده ها برای ساختن یک سیستم هوشمند استفاده می کند. کیفیت داده مسیر اصلی این روش برای ایجاد یک مدل است [ 56 ]. با این حال، داده های خام پاک نیستند [ 57 ]. داده های پاک شامل ناسازگاری، ناقص بودن، تکراری بودن، نادرستی و بی ربط بودن است. کارشناسان می توانند قبل از اجرای یادگیری ماشینی، چنین داده هایی را پیش پردازش و تأیید کنند. 58]. در مفهوم RS-GIS، نقشه‌های کیفیت داده‌ها می‌توانند از تحلیل همبستگی بیشتر با عوامل محیطی پشتیبانی کنند. اجرای فناوری سنجش از دور می تواند عوامل محیطی مانند پوشش زمین و پوشش گیاهی مرتبط با جنبه های انسانی مانند بیماری ها را تعیین کند. سیستم‌های اطلاعات جغرافیایی می‌توانند بر کیفیت خدمات سلامت تأثیر مثبت بگذارند و به ذینفعان کمک کنند تا یک خط‌مشی عالی را اتخاذ کنند [ 15 ]. کیفیت داده‌های سلامت جامعه در یک کشور بهتر است روی نقشه ایجاد شود تا از نظر فضایی در مورد توزیع داده‌ها در مورد اینکه کدام استان کیفیت داده بالاتری دارد و کدام استان نیاز به بهبود دارد، قابل درک‌تر باشد. مهمتر از آن، اگر در قالب WebGIS باشد، می تواند در دسترس تر باشد [ 20 ].

5. نتیجه گیری ها

داده های با کیفیت خوب برای تجزیه و تحلیل داده ها در ارائه اطلاعات برای سیاست های سلامت مبتنی بر شواهد برای سلامت عمومی ضروری است. ما کیفیت داده ها را از iPosyandu برای سه سال گذشته (2019-2021) با استفاده از 3 بعد تجزیه و تحلیل کردیم: کامل بودن، دقت، و سازگاری داخلی. این گزارش یک گزارش خوب در مورد کامل بودن داده ها در ابتدا در یک منطقه پروژه آزمایشی و به طور گسترده در مناطق دیگر در اندونزی نشان می دهد. منطقه پروژه آزمایشی برای ساخت و پالایش ابزارهای انفورماتیک سلامت ضروری است. مناطق دیگر می توانند داوطلبانه آن را دنبال کنند زیرا فرآیند پالایش آن را کاربرپسندتر می کند. با این حال، عوامل متعددی بر کیفیت داده ها تأثیر می گذارد، مانند یک بیماری همه گیر می تواند پوسیاندو را کاهش دهدفعالیت هایی که باعث ایجاد موانع در ورود و گزارش دهی داده ها می شود. همچنین به شدت بر دقت و سازگاری داده ها تأثیر می گذارد. این برنامه زمانی که با سیستم اطلاعات سلامت دولت همگام شود می تواند امیدوار کننده باشد. محدودیت مطالعه ما این است که شماره شناسایی کادری که داده ها را وارد می کنند هنوز با فعالیت های ورودی داده آنها مرتبط نیست. شماره شناسه برای تفسیر اینکه آیا داده‌ها توسط کادر یکسان یا متفاوت کپی شده‌اند حیاتی است، که توسط آن می‌توان بهبود بیشتری را در آموزش برنامه اضافه کرد. محدودیت دیگر این بود که قطع مقادیر غیرقابل قبول هنوز به برنامه اضافه نشده بود که بر کیفیت داده های ما تأثیر گذاشت. کار بیشتر روی برنامه باید این محدودیت ها را بهبود بخشد.

منابع

  1. O’Neil, I. ارتقاء سلامت دیجیتال: یک مقدمه انتقادی . پولی پرس: کمبریج، بریتانیا؛ مدفورد، MA، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  2. سوجارووتو، اس. آگیا، تی. داهلان، اچ. Sahputri، RAM; هلیپا، ح. Maharani، A. Covid-19 Mobile Health Apps: مروری بر برنامه های کاربردی موبایل در اندونزی. جلو. بهداشت عمومی 2022 , 10 , 879695. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. ریناوان، FR; سوسانتی، هوش مصنوعی؛ آملیا، آی. Ardisasmita، MN; دیوی، RK; فردیان، د. پورنما، WG; پورباساری، الف. درک توسعه و پیاده‌سازی اپلیکیشن موبایل برای نظارت بر داده‌های پوسیاندو در اندونزی: یک مطالعه اقدام ترکیبی 3 ساله برای ایجاد «پل» از جامعه به مقیاس ملی. BMC Public Health 2021 ، 21 ، 1024. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. کاستا سانتوس، سی. Neves، AL; کوریا، آر. سانتوس، پی. مونتیرو سوارس، ام. فریتاس، ا. ریبیرو-واز، آی. هنریکس، تی اس؛ پریرا رودریگز، پی. کاستا پریرا، آ. و همکاران مسائل مربوط به کیفیت داده های نظارتی COVID-19: یک سری پرونده متوالی ملی. BMJ Open 2021 , 11 , e047623. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. گلله آهنانزو، ی. Ouedraogo, LT; Kpozèhouen، A.; کپیترز، ی. ماکوتوده، م. Wilmet-Dramaix، M. عوامل مرتبط با کیفیت داده ها در سیستم معمول اطلاعات بهداشتی بنین. قوس. طاق بهداشت عمومی. بلژیک Sante Publique 2014 ، 72 ، 25. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  6. چن، اچ. هیلی، دی. وانگ، ن. Yu, P. مروری بر روش های ارزیابی کیفیت داده ها برای سیستم های اطلاعات سلامت عمومی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2014 ، 11 ، 5170-5207. [ Google Scholar ] [ CrossRef ]
  7. کوک، لس آنجلس؛ ساکس، جی. Weiskopf، NG کیفیت داده‌های تعیین‌کننده‌های اجتماعی در پرونده الکترونیک سلامت: یک بررسی سیستماتیک. مربا. پزشکی به اطلاع رساندن. دانشیار 2021 ، 29 ، 187-196. [ Google Scholar ] [ CrossRef ]
  8. دانشکوهان، ع. علیمرادی، م. احمدی، م. علیپور، ج. کیفیت داده ها و استفاده از داده ها در مراقبت های بهداشتی اولیه: مطالعه موردی از ایران. به اطلاع رساندن. پزشکی Unlocked 2022 , 28 , 100855. [ Google Scholar ] [ CrossRef ]
  9. سازمان بهداشت جهانی. بررسی کیفیت داده ها: ماژول 1: چارچوب و معیارها. 2017. در دسترس آنلاین: https://apps.who.int/iris/bitstream/10665/259224/1/9789241512725-eng.pdf (در 20 آوریل 2022 قابل دسترسی است).
  10. سازمان بهداشت جهانی. توصیه هایی برای جمع آوری داده ها، تجزیه و تحلیل و گزارش گیری در مورد شاخص های آنتروپومتریک در کودکان زیر 5 سال. 2019. در دسترس آنلاین: https://apps.who.int/iris/bitstream/handle/10665/324791/9789241515559-eng.pdf (در 28 آوریل 2022 قابل دسترسی است).
  11. نذری، ج. یامازاکی، سی. کامئو، اس. هرواتی، DMD; سکاروانا، ن. راکساناگارا، ا. کویاما، H. عوامل مؤثر بر مشارکت مادر در پوسیاندو برای بهبود وضعیت تغذیه کودکان زیر پنج سال در منطقه آچه اوتارا، استان آچه، اندونزی. BMC Public Health 2016 ، 16 ، 69. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. وزارت بهداشت. Pedoman Umum Pengelolaan Posyandu (راهنمای عمومی مدیریت پوسیاندو)، دبیر کل وزارت بهداشت اندونزی، جاکارتا، اندونزی. 2011. در دسترس آنلاین: https://promkes.kemkes.go.id/pedoman-umum-pengelolaan-posyandu (در 28 آوریل 2022 قابل دسترسی است).
  13. سوریانتو؛ پلامر، وی. بویل، ام. سیستم مراقبت های بهداشتی در اندونزی. بیمارستان بالا. 2017 ، 95 ، 82-89. [ Google Scholar ] [ CrossRef ]
  14. ایز، ای. گلیزور، آر. Heavin, C. راه حل های سلامت موبایل در کشورهای در حال توسعه: دیدگاه ذینفعان. سیستم سلامت 2020 ، 9 ، 179–201. [ Google Scholar ] [ CrossRef ]
  15. دوارته، ال. تئودورو، AC; لوبو، م. ویانا، جی. پینیرو، وی. Freitas، A. یک برنامه GIS منبع باز برای ارزیابی فضایی شاخص های کیفیت مراقبت های بهداشتی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 264. [ Google Scholar ] [ CrossRef ]
  16. مراد، ع. خاشقجی، BF با استفاده از GIS برای نقشه برداری و خوشه بندی بیماری در جده، عربستان سعودی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 328. [ Google Scholar ] [ CrossRef ]
  17. ریناوان، FR; تطیشی، ر. راکسانگارا، ع. آگوستین، دی. الساعده، ب. ناتالیا، YA; Raksanagara، A. ارتباط فاکتورهای شیب و سقف مسطح با الگوهای فضایی-زمانی بیماری دنگی با استفاده از تصویرسازی Pan-Sharpened Worldview 2. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2586-2603. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. طارق، ح. طاهر، ع. طواتی، ف. الحیتمی، MAE; کرسینی، دی. بن مانور، الف. شبکه منطقه جغرافیایی – مدل محاسباتی ابزار نظارت بر سلامت ساختاری. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 154. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. یبواح، جی. پورتو دو آلبوکرک، جی. ترویلو، آر. ترگونینگ، جی. پررا، اس. احمد، SAKS; آجیسولا، م. علم، او. اوجلا، ن. اعظم، SI; و همکاران تجزیه و تحلیل کیفیت داده های OpenStreetMap در مراحل مختلف یک فرآیند نقشه برداری مشارکتی: شواهدی از محله های فقیر نشین در آفریقا و آسیا. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 265. [ Google Scholar ] [ CrossRef ]
  20. خاشقجی، BF; مراد، ع. مسائل برنامه ریزی بهداشت و درمان و GIS: مروری. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 352. [ Google Scholar ] [ CrossRef ]
  21. سناراتنه، اچ. مبشری، ع. علی، ال. کاپینری، سی. هاکلی، ام. مروری بر روش‌های داوطلبانه ارزیابی کیفیت اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 139-167. [ Google Scholar ] [ CrossRef ]
  22. الوان، AA; Ciupala، MA; Brimicombe، AJ; قرشی، س. باراواله، ا. Falcarin، P. چالش‌های کیفیت داده در سیستم‌های فیزیکی-سایبری در مقیاس بزرگ: یک بررسی سیستماتیک. Inf. سیستم 2022 ، 105 ، 101951. [ Google Scholar ] [ CrossRef ]
  23. مارکس، اس. فالکی، آر. آراندا-جان، CB; پروف، جی. ساوربورن، آر. Höfle، B. تجزیه و تحلیل اطلاعات جغرافیایی و ژئوپورتال های مبتنی بر وب برای کشف سوء تغذیه در جنوب صحرای آفریقا: بررسی سیستماتیک رویکردها. BMC Public Health 2014 ، 14 ، 1189. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. ابراهیم، ​​ام اس; محمد یوسف، ح. ابوبکر، یى; Thwe Aung، MM; عباس، MI; رملی، RA سلامت دیجیتال برای مراقبت های بهداشتی با کیفیت: نقشه برداری سیستماتیک از مطالعات مروری. Digital Health 2022 , 8 , 1-20. [ Google Scholar ] [ CrossRef ]
  25. چن، ی. سانسی، جی. لی، ایکس. چن، وای. Lafortezza، R. سنجش از دور و زیرساخت سبز شهری. در سنجش از دور شهری ؛ John Wiley & Sons Ltd.: آکسفورد، بریتانیا، 2021؛ صص 447-468. [ Google Scholar ]
  26. کلاندر، ک. Tibenderana، KJ; آکپوگنتا، JO; Strachan، LD; هیل، ز. ده اسبروک، AAH; کونته، ال. کرکوود، RB; Meek، RS Mobile Health (mHealth) رویکردها و درس‌هایی برای افزایش عملکرد و حفظ کارکنان بهداشتی جامعه در کشورهای با درآمد کم و متوسط: مروری. جی. مد. Internet Res. 2013 ، 15 ، e17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. وزارت بهداشت. Indikator Program Kesehatan Masyarakat dalam RPJMN dan Renstra Kementerian Kesehatan 2020-2024 (شاخص برنامه سلامت عمومی در برنامه توسعه میان مدت ملی (NMDP) و برنامه راهبردی وزارت بهداشت 2020-2024). 2020. در دسترس آنلاین: https://kesmas.kemkes.go.id/assets/uploads/contents/attachments/ef5bb48f4aaae60ebb724caf1c534a24.pdf (در 28 آوریل 2022 قابل دسترسی است).
  28. فریدمن، دی اس؛ لاومن، اچ جی. پان، ال. اسکینر، AC; آلیسون، دی بی؛ مک گوایر، ال سی؛ Blanck، HM شیوع و اعتبار مقادیر بالای وزن، قد و BMI از نظر بیولوژیکی غیرقابل قبول در بین 8.8 میلیون کودک. چاقی 2016 ، 24 ، 1132-1139. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  29. دی وریس، آر. لیز، ام. فونتین، سی ام. Dendoncker، N. نقشه‌برداری اجتماعی عرضه خدمات اکوسیستمی درک شده – نقش معیارهای چشم‌انداز اجتماعی و نقاط حساس اجتماعی برای ارزیابی خدمات یکپارچه اکوسیستم، برنامه‌ریزی و مدیریت منظر. Ecol. اندیک. 2016 ، 66 ، 517-533. [ Google Scholar ] [ CrossRef ]
  30. Vaughan, L. Mapping Society: The Spatial Dimensions of Social Cartography ; UCL Press: لندن، بریتانیا، 2018. [ Google Scholar ]
  31. موکاکا، گوشه آمار MM: راهنمای استفاده مناسب از ضریب همبستگی در تحقیقات پزشکی. مالاوی مد. J. 2012 ، 24 ، 69-71. [ Google Scholar ]
  32. Pallant, J. SPSS Survival Guide Manual , 6th ed.; انتشارات دانشگاه آزاد، آموزش مک گراو-هیل: برکشایر، بریتانیا، 2016. [ Google Scholar ]
  33. Weatherburn، CJ کیفیت داده در مراقبت های اولیه، اسکاتلند. اسکات پزشکی J. 2021 ، 66 ، 66-72. [ Google Scholar ] [ CrossRef ]
  34. مالمکویست، ج. هلبرگ، ک. مولاس، جی. رز، آر. شولین، ام. انجام مطالعه آزمایشی: بخشی نادیده گرفته شده از فرآیند تحقیق؟ یافته های روش شناختی حمایت از اهمیت پایلوت در مطالعات پژوهش کیفی. بین المللی جی. کوال. Methods 2019 , 18 , 1609406919878341. [ Google Scholar ] [ CrossRef ][ Green Version ]
  35. نیکول، ای. برادشاو، دی. فیلیپس، تی. دادلی، ال. عوامل انسانی مؤثر بر کیفیت داده‌های جمع‌آوری‌شده معمول در آفریقای جنوبی. گل میخ. فناوری سلامت به اطلاع رساندن. 2013 ، 192 ، 788-792. [ Google Scholar ]
  36. موندال، اس. صمددار، ک. تقویت اهمیت عامل انسانی در دستیابی به عملکرد کیفی در مدیریت زنجیره تامین مبتنی بر داده. TQM J. 2021 . پیش از چاپ [ Google Scholar ] [ CrossRef ]
  37. که. دستورالعمل سازمان بهداشت جهانی در خط مشی و پشتیبانی سیستمی برای بهینه سازی برنامه های کارکنان سلامت جامعه. 2018. در دسترس آنلاین: https://apps.who.int/iris/bitstream/handle/10665/275474/9789241550369-eng.pdf (در 28 آوریل 2022 قابل دسترسی است).
  38. استارا، وی. سانتینی، اس. کراپف، جی. D’Amen، B. برنامه های مربیگری سلامت دیجیتال در میان کارکنان مسن تر در حال گذار به بازنشستگی: مرور ادبیات سیستماتیک. جی. مد. Internet Res. 2020 ، 22 ، e17809. [ Google Scholar ] [ CrossRef ]
  39. ریالیک، ب. رکا لاگورا، م. سوریانتی. عوامل مرتبط با عملکرد کادر در اجرای پوسیاندو کودک نوپا در منطقه کاری Puskesmas Sulau در منطقه جنوبی Bengkulu. در مجموعه مقالات اولین کنفرانس بین المللی همکاری بین حرفه ای بهداشت (ICIHC 2018)، بنگکولو، اندونزی، 30 اکتبر تا 1 نوامبر 2018؛ 2019; صص 256-259. [ Google Scholar ]
  40. ریناوان، FR; کوسوماستوتی، پ. مندیری، ع. دیوی، انجمن RK از دانش کادر با سن، مدت زمان کار، تحصیلات و اشتغال در استفاده از برنامه iPosyandu در پاسواهان، پورواکارتا. جی ایلمو کسیهات. میسی. 2020 ، 11 ، 150-159. [ Google Scholar ] [ CrossRef ]
  41. Verbree، A.-R. توپوئل، وی. پرادا، دی. تأثیر جدیت و استفاده از دستگاه بر کیفیت داده. Soc. علمی محاسبه کنید. Rev. 2020 , 38 , 720-738. [ Google Scholar ] [ CrossRef ]
  42. آبجیرینده، I.-OO; ایلوزومبا، او. مارشال، بی. Zweekhorst، M. دیلمان، ام. سلامت موبایل و عملکرد کارکنان مراقبت های بهداشتی مادر در کشورهای با درآمد کم و متوسط: یک بررسی واقع بینانه. بین المللی J. Care Coord. 2018 ، 21 ، 73-86. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لار، ا. بکییریا، ای. ایسنگ، س. باگوونه، ب. ارزیابی فناوری سلامت سیار برای خدمات سلامت مادر و کودک در منطقه روستایی غرب بالا غنا. بهداشت عمومی 2019 ، 168 ، 1-8. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. بیرک مایر، اس. Wirtz، BW; Langer، PF تعیین کننده موفقیت mHealth: یک بررسی تجربی از دیدگاه کاربر. بین المللی J. Inf. مدیریت 2021 , 59 , 102351. [ Google Scholar ] [ CrossRef ]
  45. کیم، K.-H. کیم، کی.-جی. لی، دی.-اچ. کیم، ام.-جی. شناسایی ابعاد کیفیت حیاتی برای قصد تداوم در خدمات mHealth: مطالعه موردی خدمات Onecare. بین المللی J. Inf. مدیریت 2019 ، 46 ، 187-197. [ Google Scholar ] [ CrossRef ]
  46. بنسکی، ای سی استانکانلی، جی. اسکارینگلا، اس. هرینایناسولو، جی ال. جینورو، جی. واسیلاکوس، پ. پتیگنات، پ. اشمیت، NC قابلیت استفاده و امکان سنجی یک سیستم سلامت سیار برای ارائه مراقبت های دوران بارداری جامع در کشورهای کم درآمد: مطالعه آزمایشی PANDA mHealth در ماداگاسکار. جی.تلمد. Telecare 2017 ، 23 ، 536-543. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  47. ساری، ع. سوسانتی، هوش مصنوعی؛ Rinawan، FR Survei Kepuasan Kader Dalam Penggunaan Aplikasi iPosyandu Dalam Pelayanan Kesehatan Ibu dan Anak di Indonesia. جی بیدان سرداس 2021 ، 3 ، 72–80. [ Google Scholar ] [ CrossRef ]
  48. لازارد، ای جی. برنن، JSB؛ Belina، طرح‌های برنامه SP و ویژگی‌های تعاملی برای افزایش پذیرش mHealth: نظرسنجی و آزمایش انتظارات کاربر. JMIR Mhealth Uhealth 2021 , 9 , e29815. [ Google Scholar ] [ CrossRef ]
  49. وانگ، جی. لی، ایکس. وانگ، پی. لیو، کیو. دنگ، ز. وانگ، جی. روند تحقیقاتی نظریه یکپارچه پذیرش و استفاده از نظریه فناوری: تحلیل کتاب سنجی. پایداری 2021 ، 14 ، 10. [ Google Scholar ] [ CrossRef ]
  50. فداهونسی، ک.پ. اوکانر، اس. آکینلوا، جی تی. وارک، پی. گالاگر، جی. کارول، سی. ماشین، جی. مجید، ع. O’Donoghue, J. چارچوب های کیفیت اطلاعات برای فناوری های سلامت دیجیتال: بررسی سیستماتیک. جی. مد. Internet Res. 2021 , 23 , e23479. [ Google Scholar ] [ CrossRef ]
  51. کومار، اس. تیواری، پ. Zymbler, M. Internet of Things یک رویکرد انقلابی برای ارتقای فناوری آینده است: یک بررسی. J. Big Data 2019 ، 6 ، 111. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  52. کفش اسمیت، دی. فرانکلین، ن. هدایت، R. حکومت غیرمتمرکز در مناطق محروم اندونزی: نقدی بر مدل ضعیف حکومت محلی در شرق اندونزی. J. Curr. آسیای جنوب شرقی Aff. 2020 ، 39 ، 359-380. [ Google Scholar ] [ CrossRef ]
  53. وزارت دبیرخانه. کتاب جیبی کادر توسعه انسانی وزارت دبیرخانه اندونزی ( Buku Saku Kader Pembagunan Manusia ). 2021. در دسترس آنلاین: https://bppsdmk.kemkes.go.id/pusdiksdmk/wp-content/uploads/2018/09/Asuhan-Kebidanan-Komunitas_SC.pdf (دسترسی در 28 آوریل 2022).
  54. نوروارسیتو، اچ. Savitri, N. توسعه برنامه های کاربردی تلفن همراه برای خدمات مدیریتی Posyandu با استفاده از برچسب گذاری موقعیت مکانی API Google Maps. در مجموعه مقالات کنفرانس بین المللی 2018 در زمینه مهندسی و فناوری اطلاعات پایدار (SIET)، مالانگ، اندونزی، 10 تا 12 نوامبر 2018؛ صص 168-173. [ Google Scholar ]
  55. وزارت بهداشت. دستورالعمل وزارت بهداشت در مورد سیستم یکپارچه اطلاعات تغذیه. 2019. در دسترس آنلاین: https://sigiziterpadu.kemkes.go.id/login_sisfo/assets/PANDUAN_SIGIZI_TERPADU.pdf (دسترسی در 3 مه 2022).
  56. پوربصری، ع. ریناوان، FR; زولیانتو، ا. سوسانتی، هوش مصنوعی؛ Komara، H. CRISP-DM برای بهبود کیفیت داده برای حمایت از یادگیری ماشینی پیش‌بینی کوتاهی رشد در نوزادان و کودکان نوپا. در مجموعه مقالات هشتمین کنفرانس بین المللی 2021 در انفورماتیک پیشرفته: مفاهیم، ​​نظریه و کاربردها (ICAICTA)، باندونگ، اندونزی، 29 تا 30 سپتامبر 2021؛ صص 1-6. [ Google Scholar ]
  57. برتوسی، ال. Geerts, F. کیفیت داده و هوش مصنوعی قابل توضیح. J. Data Inf. کیفیت 2020 ، 12 ، 1-9. [ Google Scholar ] [ CrossRef ]
  58. احمد، ت. Aziz, MN پیش پردازش داده و انتخاب ویژگی برای سیستم های تشخیص نفوذ یادگیری ماشین. ICIC Express Lett. 2019 ، 13 ، 93-101. [ Google Scholar ]
Ijgi 11 00399 g001 550
شکل 1. رقم کل کامل بودن داده ها از 2019-2021: ( الف ) 2019; ( ب ) 2020؛ ( ج ) 2021.
Ijgi 11 00399 g002 550
شکل 2. رقم کل دقت داده ها از 2019-2021: ( الف ) 2019; ( ب ) 2020؛ ( ج ) 2021.
Ijgi 11 00399 g003 550
شکل 3. رقم سازگاری داده ها از 2019-2021: ( الف ) 2019; ( ب ) 2020؛ ( ج ) 2021.

مقالات داخلی و بین المللی

مطالب مرتبط ...

7 دیدگاه ها

دیدگاهتان را بنویسید