User fees exemptions alone are not enough to increase indigent use of healthcare services
Notice bibliographique
Résumé
The aim of this study was to assess whether user fees exemptions increased healthcare services use among indigents in the Ouargaye district in Burkina Faso. In this pre-post study, we surveyed 1224 indigents in 2010 about their healthcare services use over the preceding 6 months. Of these, 540 subsequently received a user fees exemption card. A follow-up survey was conducted 1 year later with a 55.3% retention rate. Analyses were performed in accordance with Andersen and Newman's model (Societal and individual determinants of medical care utilization in the United States. Milbank Q 1973;51:95-124) to explain healthcare services use by considering predisposing and facilitating factors and health needs indicators. Logistic regression analyses were performed.Among indigents exempted from user fees, 46.2% increased their healthcare services use in 2011, as opposed to 42.1% among the non-exempted. Being exempted was not associated with increased use of services (odds ratio, OR = 1.1, 95% confidence interval, CI [0.80-1.51]). Regardless of whether they were exempted or not, the indigents most likely to have increased their healthcare services use were older than 69 years of age (OR = 1.66, 95% CI [1.05-2.64]), male (OR = 1.44, 95% CI [0.99-2.08]), in low-income households (OR = 1.71, 95% CI [1.15-2.54]), and had received financial support from their families to obtain healthcare (OR = 1.59, 95% CI [1.1-2.28]). The indigents' increased healthcare services use was not attributable to user fees exemptions. Some contamination of the intervention is conceivable. Interventions combining user fees exemptions with actions targeting other obstacles to healthcare access would probably be more effective in increasing indigents' use of healthcare centres.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».