Implementation of patient charges at primary care facilities in Kenya: implications of low adherence to user fee policy for users and facility revenue
Notice bibliographique
Résumé
With user fees now seen as a major hindrance to universal health coverage, many countries have introduced fee reduction or elimination policies, but there is growing evidence that adherence to reduced fees is often highly imperfect. In 2004, Kenya adopted a reduced and uniform user fee policy providing fee exemptions to many groups. We present data on user fee implementation, revenue and expenditure from a nationally representative survey of Kenyan primary health facilities. Data were collected from 248 randomly selected public health centres and dispensaries in 2010, comprising an interview with the health worker in charge, exit interviews with curative outpatients, and a financial record review. Adherence to user fee policy was assessed for eight tracer conditions based on health worker reports, and patients were asked about actual amounts paid. No facilities adhered fully to the user fee policy across all eight tracers, with adherence ranging from 62.2% for an adult with tuberculosis to 4.2% for an adult with malaria. Three quarters of exit interviewees had paid some fees, with a median payment of US dollars (USD) 0.39, and a quarter of interviewees were required to purchase additional medical supplies at a later stage from a private drug retailer. No consistent pattern of association was identified between facility characteristics and policy adherence. User fee revenues accounted for almost all facility cash income, with average revenue of USD 683 per facility per year. Fee revenue was mainly used to cover support staff, non-drug supplies and travel allowances. Adherence to user fee policy was very low, leading to concerns about the impact on access and the financial burden on households. However, the potential to ensure adherence was constrained by the facilities' need for revenue to cover basic operating costs, highlighting the need for alternative funding strategies for peripheral health facilities.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».