Travel time to health facilities as a marker of geographical accessibility across heterogeneous land coverage in Peru
Notice bibliographique
Résumé
ABSTRACT The geographical accessibility to health facilities is conditioned by the topography and environmental conditions overlapped with different transport facilities between rural and urban areas. To better estimate the travel time to the most proximate health facility infrastructure and determine the differences across heterogeneous land coverage types, this study explored the use of a novel cloud-based geospatial modeling approach and use as a case study the unique geographical and ecological diversity in the Peruvian territory. Geospatial data of 145,134 cities and villages and 8,067 health facilities in Peru were gathered with land coverage types, roads infrastructure, navigable river networks, and digital elevation data to produce high-resolution (30 m) estimates of travel time to the most proximate health facility across the country. This study estimated important variations in travel time between urban and rural settings across the 16 major land coverage types in Peru, that in turn, overlaps with socio-economic profiles of the villages. The median travel time to primary, secondary, and tertiary healthcare facilities was 1.9, 2.3, and 2.2 folds higher in rural than urban settings, respectively. Also, higher travel time values were observed in areas with a high proportion of the population with unsatisfied basic needs. In so doing, this study provides a new methodology to estimate travel time to health facilities as a tool to enhance the understanding and characterization of the profiles of accessibility to health facilities in low- and middle-income countries (LMIC), calling for a service delivery redesign to maximize high quality of care.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».