Program evaluation of an ORS and zinc scale-up program in 8 Nigerian states
Notice bibliographique
Résumé
BACKGROUND: In Nigeria, diarrhea is the second leading killer of children under five. Between 2012-2017, the Clinton Health Access Initiative, Inc. (CHAI) and the Government of Nigeria implemented a comprehensive program in eight states aimed at increasing the percentage of children under five with diarrhea who were treated with zinc and oral rehydration solution (ORS). The program addressed demand, supply, and policy barriers to ORS and zinc uptake through interventions in both public and private sectors. The interventions included: (1) policy revision and partner coordination; (2) market shaping to improve availability of affordable, high-quality ORS and zinc; (3) provider training and mentoring; and (4) caregiver demand generation. METHODS: We conducted cross-sectional household surveys in program states at baseline, midline, and endline and constructed logistic regression models with generalized estimating equations to assess changes in ORS and zinc treatment during the program period. RESULTS: In descriptive analysis, we found 38% (95% CI = 34%-42%) received ORS at baseline and 4% (95% CI = 3%-5%) received both ORS and zinc. At endline, we found 55% (95% CI = 51%-58%) received ORS and 30% (95% CI = 27%-33%) received both ORS and zinc. Adjusting for other covariates, the odds of diarrhea being treated with ORS were 1.88 (95% CI = 1.46, 2.43) times greater at endline. The odds of diarrhea being treated with ORS and zinc combined were 15.14 (95% CI = 9.82, 23.34) times greater at endline. When we include the interaction term to investigate whether the odds ratios between the endline and baseline survey were modified by source of care, we found statistically significant results among diarrhea episodes that sought care in the public and private sector. Among cases that sought care in the public sector, the predictive probability of treatment with ORS increased from 57% (95% CI = 50%-65%) to 83% (95% CI = 79%-87%). Among cases that sought care in the private sector, the predictive probability increased from 41% (95% CI = 34%-48%) to 58% (95% CI = 54%-63%). CONCLUSIONS: Use of ORS and combined ORS and zinc for treatment of diarrhea significantly increased in program states during the program period.
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 | 0,005 | 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 ».