Healthcare avoidance due to anticipated discrimination among transgender people: A call to create trans-affirmative environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Transgender people encounter interpersonal and structural barriers to healthcare access that contribute to their postponement or avoidance of healthcare, which can lead to poor physical and mental health outcomes. Using the 2015 U.S. Transgender Survey, this study examined avoidance of healthcare due to anticipated discrimination among transgender adults aged 25 to 64 (N = 19,157). Multivariable logistic regression analysis was conducted to test whether gender identity/expression, socio-demographic, and transgender-specific factors were associated with healthcare avoidance. Almost one-quarter of the sample (22.8%) avoided healthcare due to anticipated discrimination. Transgender men had increased odds of healthcare avoidance (AOR = 1.32, 95% CI = 1.21–1.45) relative to transgender women. Living in poverty (AOR = 1.52, 95% CI = 1.40–1.65) and visual non-conformity (AOR = 1.48, 95% CI = 1.33–1.66) were significant risk factors. Having health insurance (AOR = 0.87, 95% CI = 0.79–0.96) and disclosure of transgender identity (AOR = 0.77, 95% CI = 0.68–0.87) were protective against healthcare avoidance. A significant interaction of gender identity/expression with health insurance was found; having health insurance moderated the association between gender identity/expression and healthcare avoidance. Providers should consider gender differences, socio-demographic, and transgender-specific factors to improve accessibility of services to transgender communities. A multi-level and multi-faceted approach should be used to create safe, trans-affirmative environments in health systems.
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.
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) | 0,001 | 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) | 0,000 | 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 découle