Staying in or out? COVID-19-induced healthcare utilization avoidance and associated socio-demographic factors in rural India
Notice bibliographique
Résumé
BACKGROUND: Although evidence on healthcare utilization avoidance during COVID-19 pandemic is emerging, such knowledge is limited in rural settings. An effective policy to the COVID-19 shocks and stresses in rural settings require empirical evidence to inform the design of health policies and programmes. To help overcome this evidence gap and also contribute to policy decisions, this study aimed at examining COVID-19-induced healthcare utilization avoidance and associated factors in rural India. METHODS: This study used the third-round data from the COVID-19-Related Shocks in Rural India survey conducted between 20-24 September, 2020 across six states. The outcome variable considered in this study was COVID-19-induced healthcare utilization avoidance. Multivariable Binary Logistic Regression Model via Multiple Imputation was used to assess the factors influencing COVID-19-induced healthcare utilization avoidance. RESULTS: Data on 4,682 respondents were used in the study. Of this, the prevalence of COVID-19-induced healthcare utilization avoidance was 15.5% in rural India across the six states. After adjusting for relevant covariates, participants from the Bihar State have significantly higher likelihood of COVID-19-induced healthcare utilization avoidance compared to those from the Andhra Pradesh. Also, participants whose educational level exceeds high school, those who use government hospital/clinic, engage in daily wage labour in agriculture have significantly higher odds of COVID-19-induced healthcare utilization avoidance compared to their counterparts. CONCLUSION: Our study revealed that state of residence, type of health facility used, primary work activity and educational level were associated with COVID-19-induced healthcare utilization avoidance in rural India. The findings suggest that policy makers and public health authorities need to formulate policies and design interventions that acknowledge socioeconomic and demographic factors that influence healthcare use avoidance.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 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 ».