Breaking Barriers to Healthcare Access: A Multilevel Analysis of Individual- and Community-Level Factors Affecting Women’s Access to Healthcare Services in Benin
Notice bibliographique
Résumé
Background: In low-income countries such as Benin, most people have poor access to healthcare services. There is scarcity of evidence about barriers to accessing healthcare services in Benin. Therefore, we examined the magnitude of the problem of access to healthcare services and its associated factors. Methods: We utilized data from the 2017–2018 Benin Demographic and Health Survey (n = 15,928). We examined the associations between the demographic and socioeconomic characteristics of women using multilevel logistic regression. The outcome variable for the study was problem of access to healthcare service. Adjusted odds ratios (AORs) with 95% confidence intervals (95% CI) were estimated. Results: Overall, 60.4% of surveyed women had problems in accessing healthcare services. Partner’s education (AOR = 0.70; 95% CI; 0.55–0.89), economic status (AOR = 0.59; 95% CI; 0.47–0.73), marital status (AOR = 0.44; 95% CI; 0.39–0.51), and parity (AOR = 1.85; 95% CI; 1.45–2.35) were significant individual-level factors associated with problem of access to healthcare. Region (AOR = 5.24; 95% CI; 3.18–8.64) and community literacy level (AOR = 0.69; 95% CI; 0.51–0.94) were the main community-level risk factors. Conclusions: Enhancing husband education through adult education programs, economic empowerment of women, enhancing national education coverage, and providing priority for unmarried and multipara women need to be considered. Additionally, there is the need to ensure equity-based access to healthcare services across regions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».