Factors Affecting Health Care Utilization in Tehran
Notice bibliographique
Résumé
INTRODUCTION: Successful health system planning and management is dependent on well informed decisions, so having complete knowledge about medical services' utilization is essential for resource allocation and health plans. The main goal of this study is identification of factors effecting inpatient and outpatient services utilization in public and private sectors. METHODS: This study encompasses all regions of Tehran in 2011 and uses Urban HEART questionnaires. This population-based survey included 34700 households with 118000 individuals in Tehran. For determining the most important factors affected on health services consumption, logit model was applied. RESULTS: Regarding to the finding, the most important factors affected on utilization were age, income level and deciles, job status, household dimension and insurance coverage. The main point was the negative relationship between health care utilization and education but it had a positive relationship with private health care utilization. Moreover suffering from chronic disease was the most important variable in health care utilization. CONCLUSIONS: According to the mentioned results and the fact that access has effect on health services utilization, policy makers should try to eliminate financial access barriers of households and individuals. This may be done with identification of households with more than 65 or smaller than 5 years old, people in low income deciles or with chronic illness. According to age effect on health services usage and aging population of Iran, results of this study show more importance of attention to aged population needs in future years.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».