Individual, community and region level predictors of insecticide-treated net use among women in Uganda: a multilevel analysis
Notice bibliographique
Résumé
BACKGROUND: Use of insecticide-treated net (ITN) has been identified by the World Health Organization as an effective approach for malaria prevention. The government of Uganda has instituted measures to enhance ITN supply over the past decade, however, the country ranks third towards the global malaria burden. As a result, this study investigated how individual, community and region level factors affect ITN use among women of reproductive age in Uganda. METHODS: The 2018-2019 Malaria Indicator Survey of Uganda involving 7798 women aged 15-49 was utilized. The descriptive summaries of ITN use were analysed by individual, community and region level factors. Based on the hierarchical nature of the data, four distinct binomial multilevel logistic regression models were fitted using the MLwiN 3.05 module in Stata. The parameters were estimated using the Markov Chain Monte Carlo (MCMC) estimation procedure and Bayesian Deviance Information Criterion was used to identify the model with a better fit. RESULTS: The proportion of women who use ITN was 78.2% (n = 6097). Poor household wealth status [aOR = 1.66, Crl = 1.55-1.80], knowing that sleeping under ITN prevents malaria [aOR = 1.11, Crl = 1.05-1.24] and that destroying mosquito breeding sites can prevent malaria [aOR = 1.85, Crl = 1.75-1.98] were associated with higher odds of ITN use. ITN use attributable to regional and community level random effects was 39.1% and 45.2%, respectively. CONCLUSION: The study has illustrated that ITN policies and interventions in Uganda need to be sensitive to community and region level factors that affect usage. Also, strategies to enhance women's knowledge on malaria prevention is indispensable in improving ITN use.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».