Malaria profile and socioeconomic predictors among under-five children: an analysis of 11 sub-Saharan African countries
Notice bibliographique
Résumé
BACKGROUND: African region accounts for 95% of all malaria cases and 96% of malaria deaths with under-five children accounting for 80% of all deaths in the region. This study assessed the socioeconomic determinants of malaria prevalence and provide evidence on the socioeconomic profile of malaria infection among under-five children in 11 SSA countries. METHODS: This study used data from the 2010 to 2020 Demographic and Health Survey (DHS). The survey used a two-stage stratified-cluster sampling design based on the sampling frame of the population and housing census of countries included. Statistical analyses relied on Pearson's χ2, using the CHAID decision-tree algorithm and logistic regression implemented in R V.4.6. RESULTS: Of 8547 children considered, 24.2% (95% confidence interval CI 23.4-25.05%) had malaria infection. Also, the prevalence of malaria infection seems to increase with age. The following variables are statistically associated with the prevalence of malaria infection among under-five children: under-five child's age, maternal education, sex of household head, household wealth index, place of residence, and African region where mother-child pair lives. Children whose mothers have secondary education have about 56% lower risk (odds ratio = 0.44; 95% CI 0.40-0.48) of malaria infection and 73% lower (odds ratio = 0.37; 95% CI 0.32-0.43) among children living in the richest households, compared to children living in the poorest households. CONCLUSIONS: The findings of this study provide unique insights on how socioeconomic and demographic variables, especially maternal education level significantly predicts under-five malaria prevalence across the SSA region. Therefore, ensuring that malaria interventions are underpinned by a multisectoral approach that comprehensively tackles the interplay of maternal education and other socioeconomic variables will be critical in attaining malaria prevention and control targets in SSA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».