Accessing Healthcare Services during Lockdown in an African Semi-urban Community: Influence of the Knowledge of COVID-19
Notice bibliographique
Résumé
Aim: Since the covid-19 pandemic began, prevention and treatment services for non-communicable diseases have been significantly interrupted. This study assessed the influence of COVID-19 knowledge on using healthcare services during the lockdown in Nigeria.
 Methods: The study was a descriptive cross-sectional survey conducted in Ado-Odo Ota, local government areas, Ogun State, Nigeria using a structured questionnaire between January and February 2021. A multistage probability sampling technique was employed to collect data from 383 adults aged 20 – 60 years and the data were analyzed using IBM-SPSS version 25.0.
 Results: Although all respondents (100.0%) have heard of COVID-19, only 52.2% believed it was real. The respondents displayed poor overall knowledge of COVID-19 as only 32.1% were knowledgeable about it. Before the COVID-19 pandemic, 44.9% said they visited hospitals for treatment compared to 16.2% during the lockdown. The reasons for not using hospitals include the fear of taking a COVID-19 patient (38.4%) and buying medicines from pharmacies (33.9%). Those who used herbs constituted 20.6%, 15.4% could not afford service charges, 12.0% would pray or use spiritual materials instead, and 7.3% were afraid of being infected with the disease. Only 17.9% of those knowledgeable about COVID-19 would go to the hospital during the lockdown.
 Conclusion: Healthcare workers and the masses should be adequately trained on healthcare management during pandemics to avoid misconceptions about COVID-19. This will help improve access to healthcare services and promote wellbeing among the low-resource setting populations.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».