Predictors of the Use of Traditional Medicines in the Universal Health Coverage System in Indonesia
Notice bibliographique
Résumé
Background: Indonesia has committed to achieving Universal Health Coverage (UHC) and introduced national health insurance (JKN) to meet that commitment. Despite the increasing availability of healthcare services under the JKN scheme, traditional medicine (TM) continues to be a significant part of healthcare for Indonesians. In the context of the UHC system, this study aims to examine the predictors of TM use among urban and rural communities in Indonesia. Methods: A cross-sectional survey was conducted using a semi-structured questionnaire targeting urban and rural communities. A total of 926 households were randomly selected to participate in the survey. Multivariate logistic regression analysis was used to identify the significant predictors of TM use. Results: Multivariate analysis revealed the following variables to be predictive of TM use, namely, rural residence, being more educated, experiencing some health problem, demonstrating ethnomedical knowledge, having a favourable opinion about the safety and efficacy of TM and holistic orientation to health.  On the other hand, working in the formal sector was associated with lower odds of using TM compared to those who were employed in the informal sector. Conclusion: People’s experience, personal attributes, and attitude towards TM, rather than dissatisfaction with healthcare service, predicted the likelihood of using TM in the UHC system in Indonesia. This finding also implies the underutilisation of JKN services by the insured TM users living in rural areas. Considering the community’s strong preferences for TM, this paper argues that its inclusion in the JKN system may increase the utilisation of the JKN service.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».