The Burden and Socioeconomic Inequality in Catastrophic Out-of-pocket Health Expenditure in Post-Pandemic Nigeria
Notice bibliographique
Résumé
Abstract Out-of-pocket (OOP) payments are the primary health financing mechanisms in Nigeria. This study—the first national analysis using post-COVID-19 data—examines the incidence and socioeconomic inequalities in catastrophic health expenditure (CHE) among Nigerian households using data from the nationally representative Nigeria General Household Survey 2023/2024. We estimated the proportion of households facing CHE using both household budget share (BS) and capacity-to-pay (CTP) approaches, with thresholds set at 10% and 40%, respectively. We assessed socioeconomic inequality in CHE incidence using the concentration index (CIX) and decomposed the CIX of CHE incidence using Wagstaff et al.’s (2003) approach. Our analysis show that households CHE incidence was 45.5% (95% CI: 43.5%–47.4%) and 43.1% (95% CI: 41.1%–45.0%) using the 10% BS and 40% CTP approaches, respectively. The Wagstaff-normalized CIX revealed pro-poor distributions of − 0.152 and − 0.178 for the BS and CTP approaches, respectively. Our decomposition analysis revealed that socioeconomic inequality in CHE was largely driven by female-headed households, larger households, households with elderly member(s), and rural residences. These findings indicate that OOP payments continue to impose a catastrophic financial burden on a substantial proportion of Nigerian households, particularly those with elderly individuals as well as female-headed, poor, large, and rural households. The intensity of these payments is also deeply impoverishing, highlighting the urgent need for targeted financial protection measures—such as the establishment of a comprehensive health insurance program for elderly Nigerians—to safeguard vulnerable populations and promote equitable access to healthcare.
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 ».