MétaCan
Menu
Retour à la cohorte
Enregistrement W2984095412 · doi:10.22605/rrh5147

Geographic disparities associated with travel to medical care and attendance in programs to prevent/manage chronic illness among middle-aged and older adults in Texas

2019· article· en· W2984095412 sur OpenAlexaff
Matthew Lee Smith, Samuel D. Towne, Caroline D. Bergeron, Donglan Zhang, Carly McCord, Nelda Mier, Heather Honoré Goltz

Notice bibliographique

RevueRural and Remote Health · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensInstitut National de Santé Publique du Québec
Organismes subventionnairesNational Center for Injury Prevention and ControlNational Center for Chronic Disease Prevention and Health PromotionCenters for Disease Control and Prevention
Mots-clésAttendanceMedicineGerontologyFamily medicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Accessing care is challenging for adults with chronic conditions. The challenge may be intensified for individuals needing to travel long distances to receive medical care. Transportation difficulties are associated with poor medication adherence and delayed or missed care. This study investigated the relationship between those traveling greater distances for medical care and their utilization of programs to prevent and/or manage their health problems. It was hypothesized that those traveling longer distances for medical care attended greater chronic disease management programs. METHODS: Thirty six thousand households in nine counties of central Texas received an invitation letter to participate in a mailed health assessment survey in English or Spanish. A total of 5230 participants agreed to participate and returned the fully completed survey. To investigate distance traveled for medical services and participation in a chronic disease management program, the analyses were limited to 2108 adults aged ≥51 years with one or more chronic conditions who visited a healthcare professional at least once in the previous year. Other variables of interest included residential rurality, health status, and personal characteristics. The data were first analyzed using descriptive and bivariate analyses. Then, an ordinal logistic regression model was fitted to identify factors associated with longer distances traveled to medical services. Additionally, a binary logistic regression model was fitted to identify factors associated with attending a chronic disease self-management program. RESULTS: Among 2108 adults, rural participants (p<0.001), those with more chronic conditions (p<0.001), and those attending a chronic disease program (p=0.037) reported traveling further distances to medical services. Participants with limited activity (p<0.001), those from urban counties (p=0.017), and those who traveled further (p=0.030) were more likely to attend a chronic disease program. CONCLUSION: While further distances to healthcare providers was found to be a protective factor based on the utilization of community-based resources, rural residents were less likely to attend a program to better manage their chronic conditions, potentially choosing to use long distance travel to address urgent medical needs rather than focusing on prevention and management of their conditions. Important policy and programmatic efforts are needed to increase reach of chronic disease self-management programs and other community services and resources in rural areas and to reduce rural inequities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,259
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRural and Remote HealthMême sujetChronic Disease Management StrategiesTravaux en français237 207