Factors associated with the adoption of a digital health service by patent proprietary medicine vendors (PPMVs) in Lagos, Nigeria
Notice bibliographique
Résumé
Background Patent proprietary medicine vendors (PPMVs) are the first point of care for low-income Nigerian households. They are likely to have an important role in a digital care pathway established for low-income Nigerian women and children. Yet, little is known about what drives the adoption of digital platforms by PPMVs. Methods This study explores factors associated with the adoption of a digital service, NaijaCare, created to enable PPMVs to increase the range and quality of products and services they offer. A structured, quantitative, face-to-face survey was conducted among 248 PPMVs in Lagos in February and March 2020. Multivariate analysis was conducted to identify factors associated with the adoption of NaijaCare. Results Women comprise the majority (67%) of medicine vendors in Lagos. Most medicine vendors (64%) had gotten health training on the job. About a quarter (27%) of medicine vendors reported seeking business advice on the internet. Medicine vendors who had obtained on-the-job training had a 12.31 times higher odds ratio ( p < 0.01) of adopting the digital service. Medicine vendors who sought business advice on the internet had a 6.48 times higher odds ratio ( p < 0.001) of adopting NaijaCare. Conclusion The study findings suggest that PPMVs’ use of the digital service was driven by their desire to increase business profits. Digital care pathways targeting low-income households should be aligned with the business interests of informal providers.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».