Women Deprivation Index and Family Planning Utilisation in Urban Geography of West African Countries
Notice bibliographique
Résumé
Inequalities in health care utilisation and outcomes vary significantly across geographies. Though available evidence suggests disparity in contraceptive uptake in favour of urban compared with rural geographies, there are unassessed nuances among women in urban communities. This study examines some of these disparities within the context of socioeconomic deprivations and family planning utilisation among urban women in West Africa. A secondary analysis of the most recent Demographic and Health Survey dataset of five selected West African countries was conducted, using pooled data of 21,641 women aged 15–49 years. Associations between family planning utilisation and women's deprivation status were investigated using a binary logistic regression model. The findings show that more than one-quarter of the women were severely deprived across the countries except Senegal (17.4%), and the severely deprived consistently have relatively low contraceptive prevalence rates (CPR) (16.0–24.3%) compared with women with no/low deprivation across the countries except Senegal (39.8%). The results for long-acting reversible contraceptives (LARC) were not consistent across the five countries: whereas, LARC utilisation was lower among severely deprived women in Nigeria (9.1%), Guinea (9.6%), and Mali (19.3%), utilisation was similar across the deprivation groups in Benin and Senegal. In the multivariable analyses, the log-odds of modern contraceptive utilisation decreases by 0.27 among the moderately deprived (ß = −0.27, SE = 0.05, p < 0.01) and by 0.75 among the severely deprived women (ß = −0.75, SE = 0.05, p < 0.01) compared with those with no/low deprivation, with variations across the countries. Similarly, the log-odds of LARC utilisation decreases by 0.44–0.72 among the severely deprived women compared with those with no/low deprivation across the countries except Senegal. This study concluded that family planning intervention programmes and policies need to underscore the deprivation context of urban geographies, particularly among women living in informal settlements.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».