Use, cost-effectiveness, and end user perspectives of a home solar lighting intervention in rural Uganda: a mixed methods, randomized controlled trial
Notice bibliographique
Résumé
Energy poverty is prevalent in resource-limited settings, leading households to use inefficient fuels and appliances that contribute to household air pollution. Randomized controlled trials of household energy interventions in low and middle income countries have largely focused on cooking services. Less is known about the adoption and impact of clean lighting interventions. We conducted an explanatory sequential mixed methods study as part of a randomized controlled trial of home solar lighting systems in rural Uganda in order to identify contextual factors determining the use and impact of the solar lighting intervention. We used sensors to track usage, longitudinally assessed household lighting expenditures and health-related quality of life, and performed cost-effectiveness analyses. Qualitative interviews were conducted with all 80 trial participants and coded using reflexive thematic analysis. Uptake of the intervention solar lighting system was high with daily use averaging 8.23 ± 5.30 hours per day. The intervention solar lighting system increased the EQ5D index by 0.025 [95% CI 0.002 - 0.048] and led to an average monthly reduction in household lighting costs by -1.28 [-2.52, -0.85] US dollars, with higher savings in users of fuel-based lighting. The incremental cost-effectiveness ratio for the solar lighting intervention was $2025.72 US dollars per quality adjusted life year (QALY) gained making the intervention cost-effective when benchmarked against the gross domestic product (GDP) per capita in Uganda. Thematic analysis of qualitative data from individual interviews showed that solar lighting was transformative and associated with numerous benefits that fit within a Social Determinants of Health (SDOH) framework. The benefits included improved household finances, improved educational performance of children, increased household safety, improved family and community cohesion, and improved perceived household health. Our findings suggest that household solar lighting interventions may be a cost-effective approach to improve health-related quality of life by addressing SDOH.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».