Can States Simultaneously Improve Health Outcomes and Reduce Health Outcome Disparities?
Notice bibliographique
Résumé
INTRODUCTION: Reducing racial health disparities is often stated as a population health goal, but specific targets for such improvement are seldom set. It is often assumed that improving overall health outcomes will be linked to disparity reduction, but this is not necessarily the case. METHODS: We compared the annual change from 1999 through 2013 in combined-race (black and white) mortality with the annual change in absolute and relative racial mortality disparities for US states. RESULTS: Median annual improvement in combined-race mortality was 1.08% per year. Annual overall mortality rate reductions ranged from 0.24% per year in Oklahoma to 1.83% per year in Maryland. For disparities, the median for the black-white absolute gap was 3.60% per year, and the median for the relative black-to-white ratio was 1.19% per year. There was no significant correlation between the combined-race measure and either the absolute (0.03) or relative disparity measure reductions (-0.17). CONCLUSION: For mortality in US states over a recent period, improvement in the population mean and disparity reduction do not usually occur together. The disparity reduction rates observed may provide realistic guidance for public and private policy makers in setting goals for reducing population health disparity and creating investment priorities. As a starting point for discussion, the observed national median annual percentage improvement of 1.1 per year combined, 3.6% per year absolute gap reduction, and 1.2% per year relative gap reduction would be modest and reasonable goals.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».