The Effect of Community Health Information System on Health Care Services Utilization in Rural Ethiopia
Notice bibliographique
Résumé
Background: Non-communicable diseases (NCDs) pose a substantial global health challenge, resulting in an annual death toll of over 15 million individuals aged 30 to 69. Ethiopia, categorized as COVID-19 vulnerable, grapples with NCD treatment challenges. This study aims to assess disease service availability at primary health units in Ethiopia during the pandemic. Methods: A facility-based cross-sectional study was conducted from October to December 2021 across regions, encompassing 452 facilities: 92 health centers, 16 primary hospitals, 344 health posts, and 43 districts. Facility selection, based on consultation with regional health bureaus, included high, medium, and low performing establishments. The study employed the WHO tool for COVID-19 capacity assessment and evaluated services for various diseases using descriptive analysis. Results: Results reveal service disruptions in the past year: hospitals (55.6%), health centers (21.7%), districts (30.2%), and health posts (17.4%). Main reasons were equipment shortages (42%), lack of skilled personnel (24%), and insufficient infection prevention supplies (18.8%). While tuberculosis treatment was fully available in 23% of health posts and malaria services in 65.7%, some health centers lacked HIV/AIDS, cardiovascular, mental health, and cervical cancer services. Most communicable and non-communicable disease diagnoses and treatments were fully accessible at primary hospitals, except for cervical cancer (56.3%) and mental health (62.5%) services. Conclusion: Significant gaps exist in expected services at primary health units. Improving disease care accessibility necessitates strengthening the supply chain, resource management, capacity building, and monitoring systems.
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 | 0,014 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».