Regional variations and socio-economic disparities in neonatal mortality in Angola: a cross-sectional study using demographic and health surveys
Notice bibliographique
Résumé
BACKGROUND: Inequalities in neonatal mortality rates (NMRs) in low- and middle-income countries show key disparities at the detriment of disadvantaged population subgroups. There is a lack of scholarly evidence on the extent and reasons for the inequalities in NMRs in Angola. OBJECTIVE: The aim of this study was to assess the socio-economic, place of residence, region and gender inequalities in the NMRs in Angola. METHODS: The World Health Organization Health Equity Assessment Toolkit software was used to analyse data from the 2015 Angola Demographic and Health Survey. Five equity stratifiers: subnational regions, education, wealth, residence and sex were used to disaggregate NMR inequality. Absolute and relative inequality measures, namely, difference, population attributable fraction (PAF), population attributable risk (PAR) and ratio, were calculated to provide a broader understanding of the inequalities in NMR. Statistical significance was calculated at corresponding 95% uncertainty intervals. FINDINGS: We found significant wealth-driven [PAR = -14.16, 95% corresponding interval (CI): -15.12, -13.19], education-related (PAF = -22.5%, 95% CI: -25.93, -19.23), urban-rural (PAF = -14.5%, 95% CI: -16.38, -12.74), sex-based (PAR = -5.6%, 95% CI: -6.17, -5.10) and subnational regional (PAF = -82.2%, 95% CI: -90.14, -74.41) disparities in NMRs, with higher burden among deprived population subgroups. CONCLUSIONS: High NMRs were found among male neonates and those born to mothers with no formal education, poor mothers and those living in rural areas and the Benguela region. Interventions aimed at reducing NMRs, should be designed with specific focus on disadvantaged subpopulations.
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 | 0,000 |
| 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 ».