Large and persistent subnational inequalities in reproductive, maternal, newborn and child health intervention coverage in sub-Saharan Africa
Notice bibliographique
Résumé
Subnational inequalities have received limited attention in the monitoring of progress towards national and global health targets during the past two decades. Yet, such data are often a critical basis for health planning and monitoring in countries, in support of efforts to reach all with essential interventions. Household surveys provide a rich basis for interventions coverage indicators on reproductive, maternal, newborn and child health (RMNCH) at the country first administrative level (regions or provinces). In this paper, we show the large subnational inequalities that exist in RMNCH coverage within 39 countries in sub-Saharan Africa, using a composite coverage index which has been used extensively by Countdown to 2030 for Women's, Children's and Adolescent's Health. The analyses show the wide range of subnational inequality patterns such as low overall national coverage with very large top inequality involving the capital city, intermediate national coverage with bottom inequality in disadvantaged regions, and high coverage in all regions with little inequality. Even though nearly half of the 34 countries with surveys around 2004 and again around 2015 appear to have been successful in reducing subnational inequalities in RMNCH coverage, the general picture shows persistence of large inequalities between subnational units within many countries. Poor governance and conflict settings were identified as potential contributing factors. Major efforts to reduce within-country inequalities are required to reach all women and children with essential interventions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».