Predictors of Access to Healthcare: What Matters to Rural Appalachians?
Notice bibliographique
Résumé
OBJECTIVE: Lack of access to healthcare is frequently cited as a primary reason for health disparities globally, especially in poor, rural areas such as Appalachia in the U.S. This study examined predictors of perceived access to healthcare among residents in a poor, medically underserved, rural Appalachian community. METHODS: The study was guided by the revised behavioral model of healthcare services utilization. Self-reported survey data were obtained from a convenience sample of 921 residents in rural Tennessee. RESULTS: The majority of respondents in this study did not perceive access to healthcare to be a problem in their community. Financial factors, health status, and associated social factors negatively affected only a small number respondents' perceptions of access to healthcare. CONCLUSIONS: Despite the presence of multiple factors previously shown to affect access to healthcare, the majority of respondents in this study did not perceive access to healthcare to be a problem in their community. Results of this study suggest that to understand an individual's passage through the healthcare system, the contextual aspects of healthcare utilization, should be added to coverage, services, timeliness, and workforce as a fifth component of access to healthcare. Assessing perceived need and associated cultural factors that affect individuals' concepts of health and wellness represent important areas for future exploration to explain observed health disparities. Additionally, findings showed that having sufficient quality and quantity of healthcare professionals and services in a community or region may be necessary, but not sufficient to explain health disparities and the underlying reasons why individuals choose or choose not to seek health services.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».