Trends and Inequalities in Maternal and Newborn Health Services for Unplanned Settlements of Lusaka City, Zambia
Notice bibliographique
Résumé
Living conditions and other factors in urban unplanned settlements present unique challenges for improving maternal and newborn health (MNH), yet MNH inequalities associated with such challenges are not well understood. This study examined trends and inequalities in coverage of MNH services in the last 20 years in unplanned and planned settlements of Lusaka City, Zambia. Geospatial information was used to map Lusaka's settlements and health facilities. Zambia Demographic Health Surveys (ZDHS 2001, 2007, 2013/2014, and 2018) were used to compare antenatal care (ANC), institutional delivery, and Cesarean section (C-section) coverage, and neonatal mortality rates between the poorer 60% and richer 40% households. Health Management Information System (HMIS) data from 2018 to 2021 were used to compute service volumes and coverage rates for ANC1 and ANC4, and institutional delivery and C-sections by facility level and type in planned and unplanned settlements. Although the correlation is not exact, our data analysis showed close alignment; and thus, we opted to use the 60% poorer and 40% richer groups as a proxy for households in unplanned versus planned settlements. Unplanned settlements were serviced by primary centers or first-level hospitals. ZDHS findings show that by 2018, at least one ANC visit and institutional delivery became nearly universal throughout Lusaka, but early and four or more ANC visits, C-sections, and neonatal mortality rates remained worse among poorer than richer women in ZDHS. In HMIS, ANC and institutional delivery volumes were highest in public facilities, especially in unplanned settlements. The volume of C-sections was much greater within facilities in planned than unplanned settlements. Our study exposed persistent gaps in timing and use of ANC and emergency obstetric care between unplanned and planned communities. Closing such gaps requires strengthening outreach early and consistently in pregnancy and increasing emergency obstetric care capacities and referrals to improve access to important MNH services for women and newborns in Lusaka's unplanned settlements.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».