MétaCan
Menu
Retour à la cohorte
Enregistrement W2755723538 · doi:10.1186/s12913-017-2595-3

Uptake of health services among truck drivers in South Africa: analysis of routine data from nine roadside wellness centres

2017· article· en· W2755723538 sur OpenAlexafffund
Samanta Tresha Lalla‐Edward, Sydney Ncube, Paul Matthew, Catherine Hankins, François Venter, Gabriela B. Gomez

Notice bibliographique

RevueBMC Health Services Research · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and Work-Related Fatigue
Établissements canadiensMcGill University
Organismes subventionnairesDepartment for International DevelopmentAfrican Population and Health Research CenterU.S. President’s Emergency Plan for AIDS ReliefWellcome TrustStyrelsen för Internationellt UtvecklingssamarbeteInternational Development Research CentreUnited States Agency for International DevelopmentCarnegie Corporation of New YorkBill and Melinda Gates Foundation
Mots-clésMedicineHealth informaticsHealth administrationTruckNursing researchLogistic regressionPopulationHealth careService (business)Health servicesEnvironmental healthPublic healthHealth services researchFamily medicineDemographyNursingBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Long-distance truck drivers are occupationally susceptible to poor health outcomes. Their patterns of healthcare utilisation and the suitability of healthcare services available to them are not well documented. We report on truck driver healthcare utilisation across South Africa and characterise the client population of the clinics serving them for future service development. METHODS: We analysed anonymised data routinely collected over a two-year period at nine Roadside Wellness Centres. Associations between services accessed and socio-demographic characteristics were assessed using univariable and multivariable logistic regression models. RESULTS: We recorded 16,688 visits by 13,252 individual truck drivers (average of 1.26 visits/person) who accessed 17,885 services for an average of 1.07 services/visit and 1.35 services/person. The mean age of truck drivers was 39 years. Sixty-seven percent reported being in stable relationships. The most accessed services were primary healthcare (PHC)(62%) followed by HIV (32%). Low proportions (≤6%) accessed STI,TB and malaria services. Most visits were characterised by only one service being accessed (93%, n = 15,523/16,688). Of the remaining 7% of visits, up to five services were accessed per visit and the combination of TB /HIV services in one visit remained extremely low (<1%, n = 14/16,688). Besides PHC services at the beginning of the reporting period, all service categories displayed similar seasonal utilisation trends(i.e. service utilisation peaked in the immediate few months post clinics opening and substantially decreased before holidays). Across all service categories, younger truck drivers, those with a stable partner currently, and those of South African origin were the main clinic attendees. Older truck drivers (≥40 years) were more likely to access TB and PHC services, yet less likely to access HIV and STI services. Those with stable partners were less likely to access STI and TB services but more likely to access malaria and PHC services. South African attendees were more likely to access PHC, while attendees from other nationalities were more likely to access HIV and malaria services. CONCLUSIONS: This utilisation analysis shows that tailored services assist in alleviating healthcare access challenges faced by truck drivers, but it underscores the importance of ensuring that service packages and clinics speak to truck drivers' needs in terms of services offered and clinic location.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,030
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0040,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,115
Tête enseignante GPT0,432
Écart entre enseignants0,317 · 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 tête enseignante, pas un consensus.

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

Citations34
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetSleep and Work-Related FatigueTravaux en français237 207