Perceived Discrimination and Increased Odds of Unmet Medical Needs Among US Children
Notice bibliographique
Résumé
Our study examines the association between perceived discrimination due to race and unmet medical needs among a nationally representative sample of children in the United States. We used data from the 2016-2017 National Survey of Children's Health, a population-based cross-sectional survey of randomly selected parents or guardians in the United States. We compared results from the coarsened exact matching (CEM) method and survey-weighted logistic regression to assess the robustness of the results. Using self-reported measures from caregivers, we find that ∼2.7% of US children have experienced racial discrimination with prevalence varying significantly by race. While <1% of non-Hispanic whites have experienced some measure of racism, this increases to 8.8% among non-Hispanic blacks. Perceived discrimination was associated with significantly greater odds of unmet medical needs in the adjusted, survey-weighted multivariate-adjusted model (adjusted odds ratio [OR] = 2.4 and 95% confidence interval [CI] = 1.2, 4.9) as well as in the CEM-model estimate (OR = 2.8 and 95% CI = 1.8, 4.0). Children who have experienced perceived discrimination had higher odds of unmet medical needs. Awareness of discrimination among children may help inform future intervention development that addresses unmet medical needs during childhood.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».