MétaCan
Menu
Retour à la cohorte
Enregistrement W3015299380 · doi:10.11604/pamj.2020.35.100.20441

Mutuelles de santé à Bukavu en République Démocratique du Congo: facteurs favorables à l’utilisation des services de santé par des adhérents

2020· article· fr· W3015299380 sur OpenAlexaff
Justine Bashi, Drissa Sia, Éric Tchouaket Nguemeleu, Safari Joseph Balegamire, Hermès Karemere

Notice bibliographique

RevuePan African Medical Journal · 2020
Typearticle
Languefr
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Systems and Reforms
Établissements canadiensUniversité de MontréalUniversité du Québec en Outaouais
Organismes subventionnairesnon disponible
Mots-clésMedicineEconomic rentHumanitiesEconomicsArt

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: This study highlights the determinants of the use of health services by adherents to the three mutual health insurances in the town of Bukavu in the Democratic Republic of the Congo. METHODS: We conducted a descriptive cross-sectional study, based on a perception survey among users of healthcare services affiliated to the mutual health insurances in the Bukavu health zones. The encoding and statistical analysis were carried out using the Epi INFO version 2010 software. RESULTS: The main determinants of the use of healthcare services by adherents to the mutual health insurances are: the member's place of residence, the level of education of the head of household, the previous experience of care in the healthcare structure partner of the mutual health insurances, the reputation of the structure partner of the mutual health insurances and the ability of households to pay the user fee. CONCLUSION: This study highlights that, beyond the financial barrier, the implementation of a mutual health organisation should promote a better regulation of the user fee and a good quality of care to meet the care needs of members. The factors emerging from the study as a major determinant of the use of health services by adherents to a mutual health insurance are often not taken into account in the implementation of mutual health insurance in contexts similar to those of Bukavu.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,235
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,261
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePan African Medical JournalMême sujetHealthcare Systems and ReformsTravaux en français237 207