An Evaluation of Healthcare Use and Child Morbidity 4 Years After User Fee Removal in Rural Burkina Faso
Notice bibliographique
Résumé
Objectives Increasing financial access to healthcare is proposed to being essential for improving child health outcomes, but the available evidence on the relationship between increased access and health remains scarce. Four years after its launch, we evaluated the contextual effect of user fee removal intervention on the probability of an illness occurring and the likelihood of using health services among children under 5. We also explored the potential effect on the inequality in healthcare access. Methods We used a comparative cross-sectional design based upon household survey data collected years after the intervention onset in one intervention and one comparison district. Propensity scores weighting was used to achieve balance on covariates between the two districts, which was followed by logistic multilevel modelling to estimate average marginal effects (AME). Results We estimated that there was not a significant difference in the reduced probability of an illness occurring in the intervention district compared to the non-intervention district [AME 4.4; 95% CI 1.0–9.8)]. However, the probability of using health services was 17.2% (95% CI 15.0–26.6) higher among children living in the intervention district relative to the comparison district, which rose to 20.7% (95% CI 9.9–31.5) for severe illness episodes. We detected no significant differences in the probability of health services use according to socio-economic status [χ2 (5) = 12.90, p = 0.61]. Conclusions for Practice In our study, we found that user fee removal led to a significant increase in the use of health services in the longer term, but it is not adequate by itself to reduce the risk of illness occurrence and socioeconomic inequities in the use of health services.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».