Accounting for the Hierarchical Structure in Veterans Health Administration Data: Differences in Healthcare Utilization between Men and Women Veterans
Notice bibliographique
Résumé
Women currently constitute 15% of active United States of America military service personnel, and this proportion is expected to double in the next 5 years. Previous research has shown that healthcare utilization and costs differ in women US Veterans Health Administration (VA) patients compared to men. However, none have accounted for the potential effects of clustering on their estimates of healthcare utilization. US Women Veterans are more likely to serve in specific military branches (e.g. Army), components (e.g. National Guard), and ranks (e.g. officer) than men. These factors may confer different risk and protection that can affect subsequent healthcare needs. Our study investigates the effects of accounting for the hierarchical structure of data on estimates of the association between gender and VA healthcare utilization. The sample consisted of data on 406,406 Veterans obtained from VA's Operation Enduring Freedom/Operation Iraqi Freedom roster provided by Defense Manpower Data Center - Contingency Tracking System Deployment File. We compared three statistical models, ordinary, fixed and random effects hierarchical logistic regression, in order to assess the association of gender with healthcare utilization, controlling for branch of service, component, rank, age, race, and marital status. Gender was associated with utilization in ordinary logistic and, but not in fixed effects hierarchical logistic or random effects hierarchical logistic regression models. This point out that incomplete inference could be drawn by ignoring the military structure that may influence combat exposure and subsequent healthcare needs. Researchers should consider modeling VA data using methods that account for the potential clustering effect of hierarchy.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».