Mapping Data Sources for Local Decision-Making on Maternal and Child Health in Tribal Primary Health Centre Settings of Andhra Pradesh, India

Questo studio evidenzia come, nei centri sanitari tribali dell'Andhra Pradesh, l'ecosistema dei dati sulla salute materno-infantile sia caratterizzato da una fondamentale discrepanza tra la generazione di informazioni a fini amministrativi e la loro effettiva accessibilità per il processo decisionale locale, richiedendo una riorganizzazione dei sistemi informativi per rispondere alle esigenze specifiche delle comunità.

L'essenziale

🌍 Il Paradosso della "Foresta di Dati"

Immaginate di essere un medico in un piccolo villaggio tribale nelle colline dell'India. Il suo compito è salvare mamme e bambini, prendendo decisioni basate su informazioni precise.

Il problema è che questo medico si trova in una situazione strana: è circondato da una foresta enorme di alberi (i dati), ma non riesce a trovare la strada per uscire.

Questo studio racconta proprio questa storia. Gli autori hanno scoperto che i sistemi sanitari moderni raccolgono tantissimi dati (sono "ricchi di dati"), ma questi dati non arrivano mai a chi ne ha bisogno per prendere decisioni sul campo (sono "poveri di informazioni"). È come avere un'enciclopedia completa di tutto il mondo, ma essere bloccati in una stanza senza finestre.

🔍 La Mappa del Tesoro (Cosa hanno trovato)

I ricercatori hanno fatto una "mappa del tesoro" in tre ospedali rurali (chiamati PHC). Hanno cercato ogni possibile fonte di informazione utile per la salute delle madri e dei bambini.

Cosa hanno scoperto?
Hanno trovato 28 diversi "serbatoi" di informazioni. Ma ecco il trucco:

1. La maggior parte riguarda solo la medicina: Il 57% di questi dati parla di visite mediche, vaccinazioni e ospedali.
2. Manca tutto il resto: Pochissimi dati parlano di cose fondamentali per la salute come:
   • Case (Housing): Le case sono sicure?
   • Soldi (Income): Le famiglie hanno cibo?
   • Strade (Transportation): Possono arrivare all'ospedale se piove?
   • Scuola (Education): Le mamme sanno leggere?

È come se aveste una mappa del territorio che vi dice esattamente dove sono i dottori, ma non vi dice se la strada per arrivarci è bloccata da una frana o se il villaggio ha fame.

🚧 Il Muro Invisibile (Il problema dell'Accesso)

Qui entra in gioco la parte più frustrante della storia. Anche se questi 28 serbatoi di dati esistono, il medico locale può usarne solo 9 su 28 (il 32%).

Perché?

• I dati "digitali" sono trappole: Molti dati sono su computer e app (il 68% è digitale!), ma sono bloccati in sistemi che servono solo per fare i report ai capi a Delhi o nello stato.
• L'analogia del "Flusso verso l'alto": Immaginate che i dati siano come l'acqua di un fiume. Invece di fluire lateralmente per irrigare i campi del medico (per aiutarlo a pianificare), l'acqua viene pompata tutto il tempo verso l'alto, verso i grandi serbatoi dei funzionari governativi. Il medico in fondo alla valle rimane assetato.
• I muri tra i dipartimenti: I dati sulla salute sono nel dipartimento della salute, quelli sulle scuole in quello dell'istruzione, quelli sulle strade in quello dei lavori pubblici. Non c'è un ponte che li collega. Il medico non può vedere il quadro completo perché i pezzi del puzzle sono in stanze diverse.

📉 Cosa succede nella realtà?

Senza questi dati, il medico è costretto a lavorare "al buio":

• Non sa chi sono esattamente le mamme a rischio (sa solo i numeri totali).
• Non può disegnare mappe per vedere dove le strade sono impraticabili durante la stagione delle piogge.
• Non sa se le famiglie hanno smesso di venire perché non hanno soldi per il cibo o perché la strada è chiusa.

💡 La Soluzione Proposta

Gli autori non si limitano a lamentarsi, ma danno consigli pratici per trasformare questa "foresta di dati" in una "strada percorribile":

1. Abbassare i muri: Dare ai medici locali l'accesso diretto ai dati individuali (non solo i riassunti), così possono chiamare le mamme a rischio per nome.
2. Costruire ponti: Creare un sistema dove i dipartimenti (salute, scuola, strade) si scambiano i dati direttamente al livello del villaggio.
3. Mettere le mappe: Aggiungere coordinate GPS ai dati, così si può vedere esattamente dove sono le persone e le strade.
4. Ascoltare la gente: Creare piccoli sondaggi locali per capire i problemi specifici di quel villaggio, invece di affidarsi solo ai dati generici nazionali.

🏁 Conclusione

In sintesi, questo studio ci dice che avere molti dati non significa avere informazioni utili.

Per salvare la vita di mamme e bambini nelle zone tribali, non serve raccogliere ancora più dati. Serve riorganizzare il flusso di quelli che abbiamo già, assicurandosi che arrivino alle mani di chi deve prendere le decisioni sul campo. Dobbiamo smettere di usare i dati solo per fare i "contabili" ai vertici e iniziare a usarli come una bussola per chi è in mezzo alla giungla.

Sommario tecnico

Titolo: Mappatura delle Fonti di Dati per la Decisione Locale su Salute Materna e Infantile in Ambienti di Centri di Salute Primaria (PHC) Tribal

1. Il Problema: Il Paradosso "Ricchi di Dati, Poveri di Informazioni"

Il documento affronta una sfida critica nei sistemi sanitari dei paesi a basso e medio reddito (LMIC): la discrepanza tra la vasta quantità di dati raccolti e la loro scarsa utilità per il processo decisionale locale.

• Contesto: Nelle aree tribali dell'India, questo problema è aggravato dall'isolamento geografico, dalla governance frammentata e dall'assenza di dati disaggregati per le popolazioni tribali nei sistemi di routine.
• La Crisi: Nonostante l'India abbia un'infrastruttura nazionale di dati sanitaria in espansione (es. HMIS, portale RCH), i dati non raggiungono il livello locale (i Centri di Salute Primaria o PHC). I medici responsabili della pianificazione locale non hanno accesso a informazioni cruciali sui determinanti sociali della salute (abitazione, reddito, trasporti) o a dati individuali per identificare casi ad alto rischio.
• Obiettivo: Mappare sistematicamente le fonti di dati disponibili per la salute materna e infantile (MCH) nei PHC tribali dell'Andhra Pradesh per comprendere il divario tra generazione e utilizzo dei dati.

2. Metodologia

Lo studio è stato condotto come fase diagnostica di un progetto di ricerca-azione partecipativa, utilizzando un approccio di "scoperta dei dati" in tre fasi iterative tra ottobre 2023 e marzo 2024.

• Setting: Tre PHC (Boduluru, Gangavaram, Vadapalli) sotto l'agenzia ITDA Rampachodavaram nel distretto di Alluri Sitarama Raju (Andhra Pradesh), che servono popolazioni prevalentemente tribali (Koya e Konda Reddi).
• Fasi di Raccolta Dati:
  1. Revisione Documentale: Analisi di registri, formati di reporting, linee guida nazionali e documentazione di sistemi digitali (HMIS, RCH, ANMOL).
  2. Interviste con Informatori Chiave: Interviste semi-strutturate con Medici Responsabili (MO), infermieri, ANM, ASHA e coordinatori ITDA per identificare fonti formali e informali.
  3. Validazione degli Stakeholder: Workshop con il personale dei PHC per verificare completezza e accessibilità.
• Quadri Concettuali di Classificazione:
  • Framework HEALTHY: Classifica i dati per dominio determinante della salute (Healthcare, Education, Access, Labour, Transportation, Housing, Income).
  • Tipologia Keller: Classifica i dati per origine (Designed, Administrative, Opportunity, Procedural).
• Valutazione dell'Accessibilità: Ogni fonte è stata valutata in tre categorie: Accessibile (sì), Parzialmente Accessibile, Inaccessibile (per il Medico Responsabile).

3. Risultati Chiave

Sono state identificate 28 fonti di dati distinte rilevanti per la MCH. I risultati evidenziano gravi squilibri strutturali:

• Dominio HEALTHY:
  • Il settore Sanitario (Healthcare) domina con il 57,1% delle fonti.
  • I determinanti sociali sono gravemente sottorappresentati: Abitazione e Reddito (10,7% ciascuno), Istruzione e Lavoro (7,1% ciascuno), Trasporti e Accesso a scelte sane (3,6% ciascuno).
• Origine dei Dati (Keller):
  • I dati Amministrativi sono predominanti (46,4%), seguiti da Opportunità (21,4%), Procedurali (17,9%) e Dati Progettati/Scientifici (14,3%).
  • La scarsità di dati "Designed" indica l'assenza di capacità di ricerca o sondaggi locali.
• Accessibilità (Il punto critico):
  • Nonostante il 67,9% delle fonti abbia componenti digitali, solo il 32,1% è completamente accessibile ai Medici Responsabili per la pianificazione locale.
  • Il 57,1% delle fonti è inaccessibile a livello PHC.
  • Le barriere sono strutturali: i dati fluiscono verso l'alto per reportistica amministrativa ma non sono architetture per l'uso laterale (locale). Ad esempio, i dati individuali del portale RCH sono visibili solo ai supervisori distrettuali, non ai medici locali.
• Caratteristiche Tecniche:
  • Ecosistema misto carta/digitale (35,7% solo digitale, 32,1% solo carta).
  • Scarsità di dati spaziali: solo il 14,3% delle fonti contiene coordinate geografiche utilizzabili per mappe locali.
  • Granularità: Molti dati sono aggregati a livello di facility o distretto, rendendo impossibile il tracciamento individuale dei beneficiari ad alto rischio.

4. Contributi Principali

1. Mappatura Partecipativa: Dimostra che l'approccio partecipativo (coinvolgendo operatori sul campo) rivela fonti di dati informali e pratiche di lavoro che le revisioni documentali formali mancherebbero.
2. Analisi Dual-Framework: L'uso combinato dei framework HEALTHY e Keller offre una visione completa, identificando sia i vuoti tematici (mancanza di dati sui determinanti sociali) sia i vuoti strutturali (predominanza di dati amministrativi su quelli scientifici).
3. Evidenza Empirica del Paradosso: Fornisce dati concreti sul fatto che la digitalizzazione non garantisce l'accessibilità; anzi, sistemi digitali centralizzati possono creare nuovi silos che impediscono l'uso locale dei dati.
4. Diagnosi del Sistema ITDA: Evidenzia come la governance multi-dipartimentale nelle aree tribali (ITDA) crei sistemi di dati paralleli non integrati a livello locale.

5. Significato e Implicazioni

Lo studio conclude che l'ecosistema dei dati nei PHC tribali presenta un disallineamento fondamentale tra la generazione dei dati e la loro utilità locale.

• Impatto sulla Salute: L'impossibilità di accedere a dati sui determinanti sociali (trasporti, cibo, reddito) e a dati individuali limita la capacità dei medici di pianificare interventi mirati, identificare casi ad alto rischio e monitorare le disparità specifiche delle popolazioni tribali.
• Raccomandazioni:
  • Riorientare i sistemi di informazione sanitaria da un monitoraggio amministrativo verso l'azione locale.
  • Garantire l'accesso ai dati individuali (es. portale RCH) ai medici locali.
  • Creare meccanismi di condivisione dati inter-dipartimentali a livello ITDA.
  • Integrare dati spaziali nei report di routine.
  • Sviluppare capacità locali per la generazione di dati "Designed" (sondaggi rapidi) su domande locali specifiche.

In sintesi, il documento sottolinea che per migliorare gli esiti di salute materna e infantile nelle popolazioni tribali, non basta raccogliere più dati; è necessario ristrutturare i flussi di informazione per renderli azionabili a livello locale, superando le barriere architetturali e di governance che attualmente li rendono "invisibili" ai decisori sul campo.