A case for subnational nutrition financing: The development and use of county-level investment cases in Kenya
Notice bibliographique
Résumé
This paper aims to emphasize the significance of creating subnational nutrition action plans in regions with high variation in nutrition challenges and evaluates their projected return on investment in Kenya. Despite steady progress, undernutrition in Kenya remains high, costing the country an estimated US$ 4.2 billion or 7% of its GDP annually. Under Kenya's decentralized government system, numerous counties developed sectoral County Nutrition Action Plans (CNAPs) in 2018 to identify and prioritize essential nutrition actions to target undernutrition at the subnational level. In this paper, the authors present findings from county investment cases (CICs) in five counties - Nandi, Busia, Makueni, Vihiga, and Elgeyo Marakwet-including the costs, health impacts, and benefit to cost ratios of implementing high-impact nutrition interventions. Data was collected on the target coverage and cost of interventions prioritized in each county's CNAPs for the 2018 to 2022 period. A monetized DALY approach, using the value of a statistical life methodology was used for cost-benefit analysis and the Optima Nutrition tool was used for cost-effectiveness analysis. The estimated cumulative impact of the five CNAPs was projected as 1,800 child and 115 maternal deaths averted; preventing and treating 19,000 cases of stunting and 4,700 cases of wasting in children under five and averting 67,000 cases of anaemia in pregnant women and adolescent girls. The county-level benefit-cost ratios range from $5:1 to $14:1 (at a default 3% discount rate). This analysis demonstrates that localized subnational plans can be advantageous for policymaking and prioritization to better address subnational disparities in undernutrition and offer a high return on investment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».