Impact Assessment of Corona Virus Disease 2019 (COVID-19) on Health Services in Katsina State, Nigeria
Notice bibliographique
Résumé
Introduction: In the wake of the novel COVID-19 pandemic the health service disruption with the resultant widespread health consequences associated with the virus has become abundantly clear to all. Our primary objective was to determine the impacts of the COVID-19 epidemic on primary health care performance indicators in Katsina state.Material and Methods: Data was pulled and analyzed for trends and coverage of selected performance indicators from Quarter 1, 2019 to Quarter 2, 2020. Data sources were administrative data from District Health Information Software. An indicator each was analyzed from the following health thematic areas: Child health, Routine Immunization, Family planning, HIV/AIDS Care and Treatment, Labor and Delivery, Malaria and Antenatal Care (ANC). Descriptive and inferential statistical analyses were carried out using Statistical Package for Social Sciences version 20. Time series analysis with Auto-Regressive and Integrated Moving Average (ARIMA) modeling on indicators was used to study trends of performance over time. Simple Linear Regression (SLR) analysis was used to report coefficients of relationships at intercept and period points.Results: ANC 4th visit decreased abysmally from 65% to 46%, pentavalent vaccine 3 also declined consistently from 83% to 74% during the active lock down period. The study was also able to identify rising numbers of <5 mortality rate (from 2% to 19%) and a corresponding decrease in Pentavalent vaccine 3 coverage over time. These finding were significant (P = 0.01) across periodic quarters of 2019 and 2020.Conclusion: The current study was able to demonstrate, using ARIMA and SLR modeling, the decline in ANC 4th visit and pentavalent vaccine coverage in Katsina state, Nigeria during the active lock down phases.
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 | 0,009 | 0,002 |
| 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 | 0,001 | 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 ».