Health Behavior and Older Adults’ Experiences Using Health Services During the COVID-19 Pandemic in Rural Nigeria: A Qualitative Study Using the Socio-Ecological Model of Health Behavior
Notice bibliographique
Résumé
A bstract Background: Older adults are disproportionately impacted during public health crises, especially in rural settings where healthcare access is limited. Understanding their health behaviors and healthcare utilization is essential for improving geriatric care. Objectives: This study investigates the understanding of health behavior and the healthcare experiences of older adults using outpatient services in a rural Nigerian hospital during the COVID-19 pandemic. Materials and Methods: The study employed an exploratory qualitative research design through 13 face-to-face semi-structured interviews with older adults aged 60–80 using outpatient health services in a University Teaching Hospital in rural south-eastern Nigeria. The data generated from these interviews were then analyzed using qualitative content analysis, which led to two overarching themes. Results: Our findings revealed a complex interplay of personal, interpersonal, societal, and environmental factors that influence health behavior and healthcare utilization among older adults in rural Nigeria during the COVID-19 pandemic. While negative behaviors, such as heightened emotions, poor help-seeking behavior, self-medication for COVID-19 symptoms, and poor diets, were observed due to ignorance and misinformation, there were also positive influences. These included an increased focus on hygiene and enhanced family relationships through staying active, consequently improving physical activity behavior. Conclusion: These findings suggest that a resilient healthcare system in rural Nigeria may encourage a proactive stance toward positive behavior and increase healthcare utilization among older adults during crises. We recommend intensifying health literacy campaigns, including digital health literacy, eliminating the digital divide, and creating care protocols tailored for older adults to facilitate optimum healthcare access during crises in rural settings.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».