Disparities in Primary Care for Vulnerable Children: The Influence of Multiple Risk Factors
Notice bibliographique
Résumé
OBJECTIVES: To analyze vulnerability as a profile of multiple risk factors for poor pediatric care based on race/ethnicity, poverty status, parent education, insurance, and language. Profiles are used to examine disparities in child/adolescent health status and primary care experience. DATA SOURCES: Cross-sectional data on 19,485 children/adolescents 0-19 years of age from the 2001 California Health Interview Survey. STUDY DESIGN: Multiple logistic regression models are used to examine risk profiles in relation to health status and three aspects of primary care: access (physician and dental visit; access surety), continuity (regular source of care), and comprehensiveness (i.e., health promotion counseling). PRINCIPAL FINDINGS: About 43 percent of (or 4.4 million) children in California have two or more risk factors (RF). Controlling for age and gender, more RFs is associated with poorer health status (i.e. percent reporting "excellent/very good" health: no RFs=81 percent, 1=71 percent, 2=57 percent, 3=45 percent, 4=35 percent, 5=28 percent, all p<.001). Controlling for health status, higher risk profiles is associated with poorer primary care access and continuity, but greater comprehensiveness of care. For example, higher risk profile children are less likely to have a regular source of care: one RF (prevalence ratio [PR]=0.92, confidence interval [CI]: 0.86-0.98), two (PR=0.77, CI: 0.69-0.84), three (PR=0.55, CI: 0.46-0.65), and four or more (PR=0.31, CI: 0.22-0.44), all p<.001. CONCLUSIONS: This study demonstrates a dose-response relationship of higher risk profiles with poorer child health status, access to, and continuity of primary care. Having gained access, however, adolescents with higher risk profiles are more likely to receive health promotion counseling. Higher profiles appear to be associated with greater barriers to accessing primary care for children in "fair or poor" health, suggesting that vulnerable children who have the greatest health care needs also have the greatest difficulty obtaining primary care.
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 | 0,001 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».