Evaluating health systems’ efficiency towards universal health coverage: A data envelopment analysis
Notice bibliographique
Résumé
To estimate the technical efficiency of health systems toward achieving universal health coverage (UHC) in 191 countries. We applied an output-oriented data envelopment analysis approach to estimate the technical efficiency of the health systems, including the UHC index (a summary measure that captures both service coverage and financial protection) as the output variable and per capita health expenditure, doctors, nurses, and hospital bed density as input variables. We used a Tobit simple-censored regression with bootstrap analysis to observe the socioeconomic and environmental factors associated with efficiency estimates. The global UHC index improved from the 2019 estimates, ranged from 48.4 (Somalia) to 94.8 (Canada), with a mean of 76.9 (std. dev.: ±12.0). Approximately 78.5% (150 of 191) of the studied countries were inefficient (ϕ < 1.0) with respect to using health system resources toward achieving UHC. By improving health system efficiency, low-income, lower-middle-income, upper-middle-income, and high-income countries can improve their UHC indices by 4.6%, 5.5%, 6.8%, and 4.1%, respectively, by using their current resource levels. The percentage of health expenditure spent on primary health care (PHC), governance quality, and the passage of UHC legislation significantly influenced efficiency estimates. Our findings suggests health systems inefficiency toward achieving UHC persists across countries, regardless of their income classifications and WHO regions, as well as indicating that using current level of resources, most countries could boost their progress toward UHC by improving their health system efficiency by increasing investments in PHC, improving health system governance, and where applicable, enacting/implementing UHC legislation.
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 | 0,028 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,010 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».