Trend and Sociodemographic Correlates of Cesarean Section Utilization in Nepal: Evidence from Demographic and Health Surveys 2006‐2016
Notice bibliographique
Résumé
BACKGROUND: Data from the Nepal Demographic and Health Surveys (NDHS) 2006, 2011, and 2016 were sourced for this study. Women who had a live birth in the last five years of the survey were the unit of analysis for this study. Absolute and relative inequalities in CS utilization were expressed in terms of rate difference and rate ratios, respectively. We used multivariable regression models to assess the CS rate by background sociodemographic characteristics of women. RESULTS: Age and parity-adjusted CS rates were found to have increased almost threefold (from 3.2%, 95% CI: 2.1-4.3 in 2006 to 10.5%; 95% CI: 8.9-11.9 in 2016) over the decade. In 2016, women from mountain region (3.0%), those from the lowest wealth quintile (2.4%), and those living in Karnali province (2.4%) had CS rate below 5%. Whereas women from the highest wealth quintile (25.1%), with higher education (21.2%), and those delivering in private facilities (37.1%) had CS rate above 15%. Women from the highest wealth quintile (OR-3.3; 95% CI: 1.6-7.0) compared to women from the lowest wealth quintile and those delivered in private/NGO-run facilities (OR-3.6; 95% CI: 2.7-4.9) compared to women delivering in public facilities were more than three times more likely to deliver by CS. CONCLUSION: To improve maternal and newborn health, strategies need to be revised to address the underuse of CS among poor, those living in mountain region and Province 2, Lumbini province, Karnali province, and Sudhurpaschim province. Simultaneously, there is a pressing need for policies, guidelines, and continuous monitoring of CS rates to reduce overuse among rich women, women with higher education, and those giving childbirth in private facilities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».