Impact of parents' education on variation in hospital admissions for children: a population-based cohort study
Notice bibliographique
Résumé
OBJECTIVES: To assess the impact of parental educational level on hospital admissions for children, and to evaluate whether differences in parents' educational level can explain geographic variation in admission rates. DESIGN: National cohort study. SETTING: The 18 hospital referral areas for children in Norway. PARTICIPANTS: All Norwegian children aged 1-16 years in the period 2008-2016 and their parents. MAIN OUTCOME MEASURES: Age- and gender-adjusted admission rates and probability of admission. RESULTS: Of 1 538 189 children, 156 087 (10.2%) had at least one admission in the study period. There was a nearly twofold (1.9) variation in admission rates between the hospital referral areas (3113 per 100 000 children, 95% CI: 3056 to 3169 vs 1627, 95% CI: 1599 to 1654). Area level variances in multilevel analysis did not change after adjusting for parental level of education. Children of parents with low level of education (maternal level of education, low vs high) had the highest admission rates (2016: 2587, 95% CI: 2512 to 2662 vs 1810, 95% CI: 1770 to 1849), the highest probability of being admitted (OR: 1.18, 95% CI: 1.16 to 1.20), the highest number of admissions (incidence rate ratio: 1.05, 95% CI: 1.01 to 1.10) and admissions with lower cost (-0.5%, 95% CI: -1.2% to 0.3%). CONCLUSIONS: Substantial geographic variation in hospital admission rates for children was found, but was not explained by parental educational level. Children of parents with low educational level had the highest admission probability, and the highest number of admissions, but the lowest cost of admissions. Our results suggest that the variation between the educational groups is not due to differences in medical needs, and may be characterised as unwarranted. However, the manner in which health professionals communicate and interact with parents with different educational levels might play an important role.
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 | 0,002 | 0,006 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».