Does the Quality of Antenatal Care Predict Health Facility Delivery Among Women in Kenya? Further Analysis of KDHS Data 2008/09
Notice bibliographique
Résumé
Improving maternal health remains a priority in Kenya and beyond. It is essential that women get good medical care before, during and after pregnancy to reduce maternal mortality. Skilled delivery care remains low in Kenya and maternal mortality rate high regardless of numerous ongoing interventions. Antenatal care is known to promote maternal and fetal well-being. However less than 50% of women make the recommended four or more antenatal care visits, missing out on key services such as urine and blood tests, and advice on possible pregnancy complications, that determine the quality of ANC. This study examines how the number of ANC visits and the quality of those visits predict health facility use at delivery. Maternal health data from DHS of 2008/2008 in Kenya was analyzed using Stata 11.0 software. Logistic regression was used to evaluate relationships between facility delivery and predictor variables in univariate and multivariate models. Estimates were based on 95% confidence inteval. The models were examined at 95% CI and 80% power and adjusted for maternal age at last birth, education, place and type of residence, level of exposure to media, mother’s religion, wealth index and birth order. The quality of ANC was an index developed based on the number of services received during ANC visits.The quality of ANC visits progressively increased the likelyhood of health facility delivery. Supply and demand should be intervention targets to ensure that women know and understand the services to demand. Health facilities should also be sufficiently prepared and ready with the services.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».