MétaCan
Menu
← Retour à la cohorte
Enregistrement W2407298198 · doi:10.2196/mhealth.4342

Mobile Health Insurance System and Associated Costs: A Cross-Sectional Survey of Primary Health Centers in Abuja, Nigeria

2016· article· en· W2407298198 sur OpenAlexvenueno aff
Emeka Chukwu, Lalit Garg, Godson U. Eze

Notice bibliographique

RevueJMIR mhealth and uhealth · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental healthCross-sectional studymHealthMedicinePrimary health careBusinessPsychological interventionPopulationNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Nigeria contributes only 2% to the world's population, accounts for 10% of the global maternal death burden. Health care at primary health centers, the lowest level of public health care, is far below optimal in quality and grossly inadequate in coverage. Private primary health facilities attempt to fill this gap but at additional costs to the client. More than 65% Nigerians still pay out of pocket for health services. Meanwhile, the use of mobile phones and related services has risen geometrically in recent years in Nigeria, and their adoption into health care is an enterprise worth exploring. OBJECTIVE: The purpose of this study was to document costs associated with a mobile technology-supported, community-based health insurance scheme. METHODS: This analytic cross-sectional survey used a hybrid of mixed methods stakeholder interviews coupled with prototype throw-away software development to gather data from 50 public primary health facilities and 50 private primary care centers in Abuja, Nigeria. Data gathered documents costs relevant for a reliable and sustainable mobile-supported health insurance system. Clients and health workers were interviewed using structured questionnaires on services provided and cost of those services. Trained interviewers conducted the structured interviews, and 1 client and 1 health worker were interviewed per health facility. Clinic expenditure was analyzed to include personnel, fixed equipment, medical consumables, and operation costs. Key informant interviews included a midmanagement staff of a health-management organization, an officer-level staff member of a mobile network operator, and a mobile money agent. RESULTS: All the 200 respondents indicated willingness to use the proposed system. Differences in the cost of services between public and private facilities were analyzed at 95% confidence level (P<.001). This indicates that average out-of-pocket cost of services at private health care facilities is significantly higher than at public primary health care facilities. Key informant interviews with a health management organizations and a telecom operator revealed high investment interests. Cost documentation analysis of income versus expenditure for the major maternal and child health service areas-antenatal care, routine immunization, and birth attendance for 1 year-showed that primary health facilities would still profit if technology-supported, health insurance schemes were adopted. CONCLUSIONS: This study demonstrates a case for the implementation of enrolment, encounter management, treatment verification, claims management and reimbursement using mobile technology for health insurance in Abuja, Nigeria. Available data show that the introduction of an electronic job aid improved efficiency. Although it is difficult to make a concrete statement on profitability of this venture but the interest of the health maintenance organizations and telecom experts in this endeavor provides a positive lead.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,439
Écart entre enseignants0,373 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→