Wealth-related inequalities in the coverage of reproductive, maternal, newborn and child health interventions in 36 countries in the African Region
Notice bibliographique
Résumé
OBJECTIVE: To investigate whether sub-Saharan African countries have succeeded in reducing wealth-related inequalities in the coverage of reproductive, maternal, newborn and child health interventions. METHODS: We analysed survey data from 36 countries, grouped into Central, East, Southern and West Africa subregions, in which at least two surveys had been conducted since 1995. We calculated the composite coverage index, a function of essential maternal and child health intervention parameters. We adopted the wealth index, divided into quintiles from poorest to wealthiest, to investigate wealth-related inequalities in coverage. We quantified trends with time by calculating average annual change in index using a least-squares weighted regression. We calculated population attributable risk to measure the contribution of wealth to the coverage index. FINDINGS: We noted large differences between the four regions, with a median composite coverage index ranging from 50.8% for West Africa to 75.3% for Southern Africa. Wealth-related inequalities were prevalent in all subregions, and were highest for West Africa and lowest for Southern Africa. Absolute income was not a predictor of coverage, as we observed a higher coverage in Southern (around 70%) compared with Central and West (around 40%) subregions for the same income. Wealth-related inequalities in coverage were reduced by the greatest amount in Southern Africa, and we found no evidence of inequality reduction in Central Africa. CONCLUSION: Our data show that most countries in sub-Saharan Africa have succeeded in reducing wealth-related inequalities in the coverage of essential health services, even in the presence of conflict, economic hardship or political instability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».