Patterns of borrowing to finance out-of-pocket prescription drug costs in Canada: a descriptive analysis
Notice bibliographique
Résumé
BACKGROUND: Out-of-pocket drug costs lead many Canadians to engage in cost-related nonadherence to prescription medications, but our understanding of other consequences such as borrowing money remains incomplete. In this descriptive study, we sought to quantify the frequency of borrowing to pay for prescription drugs in Canada and characteristics of Canadians who borrowed money for this purpose. METHODS: In partnership with Statistics Canada, we designed and administered a cross-sectional rapid-response module in the Canadian Community Health Survey administered by telephone to Canadians aged 12 years or more between January and June 2016. We restricted our analyses to participants who responded to the question regarding borrowing money to pay for prescription drugs and used logistic regression to identify characteristics associated with borrowing. RESULTS: A total of 28 091 Canadians responded to the survey (overall response rate 61.8%). The weighted proportion of respondents who reported having borrowed money to pay for prescription drugs in the previous year was 2.5% (95% confidence interval 2.2%-2.8%), an estimated 731 000 Canadians. The odds of borrowing were higher among younger adults, people in poor health and people lacking prescription drug insurance. Other factors associated with increased adjusted odds of borrowing were having 2 or more chronic conditions, low household income and higher out-of-pocket prescription drug costs. INTERPRETATION: Many Canadians reported borrowing money to pay for out-of-pocket prescription drug costs, and borrowing was more prevalent among already vulnerable groups that also report other compensatory behaviours to address challenges in paying for prescription drugs. Future research should investigate policy responses intended to increase equity in access to prescription drugs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».