Spatial Access to Emergency Services in Low- and Middle-Income Countries: A GIS-Based Analysis
Notice bibliographique
Résumé
Injury is a leading cause of the global disease burden, accounting for 10 percent of all deaths worldwide. Despite 90 percent of these deaths occurring in low and middle-income countries (LMICs), the majority of trauma research and infrastructure development has taken place in high-income settings. Furthermore, although accessible services are of central importance to a mature trauma system, there remains a paucity of literature describing the spatial accessibility of emergency services in LMICs. Using data from the Service Provision Assessment component of the Demographic and Health Surveys of Namibia and Haiti we defined the capabilities of healthcare facilities in each country in terms of their preparedness to provide emergency services. A Geographic Information System-based network analysis method was used to define 5- 10- and 50-kilometer catchment areas for all facilities capable of providing 24-hour care, higher-level resuscitative services or tertiary care. The proportion of a country's population with access to each level of service was obtained by amalgamating the catchment areas with a population layer. A significant proportion of the population of both countries had poor spatial access to lower level services with 25% of the population of Haiti and 51% of the population of Namibia living further than 50 kilometers from a facility capable of providing 24-hour care. Spatial access to tertiary care was considerably lower with 51% of Haitians and 72% of Namibians having no access to these higher-level services within 50 kilometers. These results demonstrate a significant disparity in potential spatial access to emergency services in two LMICs compared to analogous estimates from high-income settings, and suggest that strengthening the capabilities of existing facilities may improve the equity of emergency services in these countries. Routine collection of georeferenced patient and facility data in LMICs will be important to understanding how spatial access to services influences outcomes.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».