Health Insurance Status of US Living Kidney Donors
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Ensuring follow-up of living kidney donors (LKDs) is essential to long-term preventive care. We sought information on health insurance status of US LKDs, with particular attention to age, gender, and ethnicity. DESIGN, SETTING, PARTICIPANTS, & MEASUREMENTS: The United Network for Organ Sharing/Organ Procurement Transplantation Network database was queried for associations among age at donation, race, gender, and health insurance status. We studied all US LKDs between July 2004 and September 2006. RESULTS: A total of 10,021 LKDs with known health insurance status were studied, 1765 (18%) of whom lacked health insurance at donation. There were 4852 donors without health insurance information. Younger kidney donors had higher rates of being uninsured (age 18 to 34: 26.2%; age 35 to 49: 15.2%; age 50 to 64: 11.2%; age >65: 3.8%; P < 0.0001), as did men (19.5 versus 16.3% for women; P < 0.0001), and ethnic minorities (white 13.4%, black 21%, Hispanic 35.6%, Asian 26.7%; P < 0.0001). CONCLUSIONS: This study confirms that younger patients, ethnic minorities, and men are less likely to have health insurance when donating a kidney, which could negatively affect adherence to long-term follow-up.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».