Determinants of utilization and out-of-pocket payments for psychiatric healthcare in Iran
Notice bibliographique
Résumé
Purpose Mental health is an inevitable and vital dimension when it comes to providing a global definition for the appropriate health status. This highlights the importance of investigating factors influencing utilization and out-of-pocket payments (OOP) for mental health services. Thus, the purpose of this paper is to assess the determinants of the utilization and OOP for psychiatric healthcare in Iran. Design/methodology/approach A total of 39,864 households were included in this cross-sectional study. Data on the utilization and OOP for psychiatric healthcare as well as all their determinants (e.g. wealth index of households, geographical area, household size, etc.) were extracted from the Household Income and Expenditure Survey (HIES). The HIES was conducted by the Statistical Center of Iran in 2016. A zero-inflated Tobit model was used to identify the main factors affecting utilization and OOP for psychiatric healthcare utilization. Findings The average of utilization and OOP for psychiatric services was found to be 14.67 times per 1,000 households and $7.783 per month for service users, respectively. There were significant positive relationships between income and utilization (p=0.0002) and OOP (p<0.0001) for psychiatric services. Significant negative associations were found between the number of illiterate people in the household and OOP (coefficient=−1.56) and utilization (coefficient=−0.2002) for psychiatric services. Utilization and OOP for psychiatric services were statistically significantly higher among households with higher wealth status. Originality/value Despite the higher rate of mental disorders, the utilization of psychiatric services in Iran is very low. Due to financial barriers and insufficient insurance coverage, high socioeconomic status (SES) households utilize more psychiatric services than low-SES households. Thus, the integration of mental health services in public health programs is required to improve the utilization of psychiatric services in Iran.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».