A cross-sectional study to identify the distribution and characteristics of licensed and unlicensed private drug shops in rural Eastern Uganda to inform an iCCM intervention to improve health outcomes for children under five years
Notice bibliographique
Résumé
INTRODUCTION: Malaria, pneumonia and diarrhea are leading causes of death in young children in Uganda. Between 50-60% of sick children receive treatment from the private sector, especially drug shops. There is an urgent need to improve quality of care and regulation of private drug shops in Uganda. This study was conducted to determine the distribution, the licensing status and characteristics of drug shops in four sub-districts of Kamuli district. METHODS: This study was part of a pre-post cross sectional study that examined the implementation of an integrated Community Case Management (iCCM) intervention for common childhood illness in rural private drug shops in Kamuli District in Eastern Uganda. This mapping exercise used a snowball sampling technique to identify licensed and unlicensed drug shops and collect information about their characteristics. Data were collected using a questionnaire. GPS data were collected for all drug shops. ANALYSIS: Quantitative data were analyzed using SPSS for descriptive statistics. Open ended questions were entered into NVivo 10 and analyzed using thematic analysis strategies. RESULTS: In total, 215 drug shops in 284 villages were located. Of these, 123 (57%) were open and consented to an interview. Only 12 (10%) drug shops were licensed, 93 (76%) were unlicensed, and the licensing status of 18 (15%) was unknown. Most respondents were the owner of the drug shop (88%); most drug sellers reported their qualification as nursing assistants (70%). Drug sellers reported licensing fees and costs of contracting an "in-charge" as barriers to licensing. Nearly all drug shops sold drugs for malaria (91%) and antibiotics (79%).
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 | 0,000 | 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 | 0,000 |
| 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 ».