Proximate and socio-economic determinants of under-five mortality in Benin, 2017/2018
Notice bibliographique
Résumé
BACKGROUND: Globally, under-five mortality has declined significantly, but still remains a critical public health problem in sub-Saharan African countries such as Benin. Yet, there is no empirical information in the country using a nationally representative data to explain this phenomenon. The aim of this study was to examine how proximate and socio-economic factors are associated with mortality in under-five children in Benin. METHODS: . Results were reported as adjusted odds ratios (aORs). All comparisons were considered to be statistically significant at p<0.05. RESULTS: The study revealed an under-five mortality rate of 96 deaths per 1000 live births in Benin. Regarding the socio-economic determinants, the risk of death was found to be higher in children born in the Plateau region (aOR=3.05; 95% CI: 1.29 to 7.64), in rural areas (aOR=1.45; 95% CI: 1.07 to 1.98) and children with ≥4 birth rank and >2 years of birth interval (aOR=1.52; 95% CI: 1.07 to 2.17). Among the proximate determinants, we found the probability of death to be higher in children whose mothers had no postnatal check-up (PNC) visits after delivery (aOR=1.79; 95% CI: 1.22 to 2.63), but there was no significant association between individual-level/household-level factors and under-five mortality. CONCLUSION: This study has established that socio-economic and proximate factors are important determinants of under-five mortality in Benin. Our findings have shown the need to implement both socio-economic and proximate interventions, particularly those related to PNC visits when planning on under-five mortality. To achieve this, a comprehensive, long-term public health interventions, which consider the disparity in the access and utilisation of healthcare services in Benin are key.
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 | 0,000 | 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 | 0,000 |
| 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 ».