Investigating Health Inequality Using Trend, Decomposition and Spatial Analyses: A Study of Maternal Health Service Use in Nepal
Notice bibliographique
Résumé
Objectives: (a) To quantify the level and changes in socioeconomic inequality in the utilization of antenatal care (ANC), institutional delivery (ID) and postnatal care (PNC) in Nepal over a 20-year period; (b) identify key drivers of inequality using decomposition analysis; and (c) identify geographical clusters with low service utilization to inform policy. Methods: Data from the most recent five waves of the Demographic Health Survey were used. All outcomes were defined as binary variables: ANC (=1 if ≥4 visits), ID (=1 if place of delivery was a public or private healthcare facility), and PNC (=1 if ≥1 visits). Indices of inequality were computed at national and provincial-level. Inequality was decomposed into explanatory components using Fairile decomposition. Spatial maps identified clusters of low service utilization. Results: During 1996–2016, socioeconomic inequality in ANC and ID reduced by 10 and 23 percentage points, respectively. For PND, the gap remained unchanged at 40 percentage points. Parity, maternal education, and travel time to health facility were the key drivers of inequality. Clusters of low utilization were displayed on spatial maps, alongside deprivation and travel time to health facility. Conclusion: Inequalities in the utilization of ANC, ID and PNC are significant and persistent. Interventions targeting maternal education and distance to health facilities can significantly reduce the gap.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».