Disparities in pregnancy-related deaths: spatial and Bayesian network analyses of maternal mortality ratio in 54 African countries
Notice bibliographique
Résumé
BACKGROUND: Maternal mortality remains a public health problem despite several global efforts. Globally, about 830 women die of pregnancy-related death per day, with more than two-third of these cases occurring in Africa. We examined the spatial distribution of maternal mortality in Africa and explored the influence of SDoH on the spatial distribution. METHODS: We used country-level secondary data of 54 African countries collected between 2006 and 2018 from three databases namely, World Development Indicator, WHO's Global Health Observatory Data and Human Development Report. We performed descriptive analyses, presented in tables and maps. The spatial analysis involved local indicator of spatial autocorrelation maps and spatial regression. Finally, we built Bayesian networks to determine and show the strength of social determinants associated with maternal mortality. RESULTS: We found that the average prevalence of maternal mortality ratio (MMR) in Africa was 415 per 100 000 live births. Findings from the spatial analyses showed clusters (hotspots) of MMR with seven countries (Guinea-Bissau, Guinea, Sierra Leone, Cote d'Ivoire, Chad and Cameroon, Mauritania), all within the Middle and West Africa. On the other hand, the cold spot clusters were formed by two countries; South Africa and Namibia; eight countries (Algeria, Tunisia, Libya, Ghana, Gabon and Congo, Equatorial Guinea and Cape Verde) formed low-high clusters; thus, indicating that these countries have significantly low MMR but within the neighbourhood of countries with significantly high MMR. The findings from the regression and Bayesian network analysis showed that gender inequities and the proportion of skilled birth attendant are strongest social determinants that drive the variations in maternal mortality across Africa. CONCLUSION: Maternal mortality is very high in Africa especially in countries in the middle and western African subregions. To achieve the target 3.1 of the sustainable development goal on maternal health, there is a need to design effective strategies that will address gender inequalities and the shortage of health professionals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».