The impact of COVID-19 on health service utilization in sub-Saharan Africa—a scoping review
Notice bibliographique
Résumé
BACKGROUND: Despite comparatively low rates of COVID-19 admissions and recorded deaths in sub-Saharan Africa (SSA), the pandemic still had significant impact on health service utilization (HSU). The aim of this scoping review is to synthesize the available evidence of HSU in SSA during the pandemic, focusing on types of studies, changes in HSU compared with the pre-pandemic period, and changes among specific patient groups. METHODS: The scoping review was guided by the methodological framework for conducting scoping reviews developed by Arksey and O'Malley. We identified relevant studies through a search of PubMed (MEDLINE), Embase, Scopus, and Web of Science. We then provided a general descriptive overview of the extracted data focusing on the types of studies, patient groups, and change in HSU. RESULTS: We identified 262 studies reporting on HSU in 39 SSA countries. Studies were mainly quantitative (192; 73.3%), involving multiple centers (163; 62.2%), conducted in hospitals (205; 78.2%), and in urban settings (121; 46.2%). The median number of participants was 836.5 (IQR: 101.5-5897) involving 62.5% females. Most studies (92; 35.1%) focused on communicable diseases and mainly among outpatients (90; 34.2%). Maternal and child health studies formed the largest patient group (58; 22.1%) followed by people living with HIV (32; 12.2%). Change in HSU was reported in 249 (95.0%) studies with 221 (84.4%) studies reporting a decrease in HSU. The median decrease in HSU was 35.6% (IQR: 19.0-55.8) and median increase was 16.2% (IQR: 9.1-31.9). The patient group with the largest percentage decrease was cardiovascular diseases (68.0%; IQR: 16.7-71.1) and the lowest percentage decrease was in patients with infections (27.0%; IQR: 16.6-45.6). CONCLUSIONS: A large body of literature is available on the effects of the pandemic on HSU in SSA. Most studies report decreases in HSU during the pandemic. However, patterns differ widely across disease categories, patient groups, and during different time periods of the pandemic.
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 | 0,024 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,023 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».