MétaCan
Menu
← Retour à la cohorte
Enregistrement W3210250883 · doi:10.1093/pch/pxab061.016

22 Housing Need Amongst Children with Medical Complexity: A Cross-Sectional Descriptive Study of Three Populations

2021· article· en· W3210250883 sur OpenAlexaff
Kayla Esser, Clara Moore, Kara Grace Hounsell, Adrienne L. Davis, Alia Sunderji, Rayzel Shulman, Eyal Cohen, Julia Orkin

Notice bibliographique

RevuePaediatrics & Child Health · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensUniversity of TorontoHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésCross-sectional studyMedicineOddsLogistic regressionEnvironmental healthBedroomOdds ratioGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Primary Subject area Complex Care Background Children with medical complexity (CMC) have medical fragility, complex chronic disease necessitating specialized care, functional disability, and/or high technology dependence. Housing is an important social determinant of health, yet research on prevalence and types of housing need in CMC is limited. Housing need encompasses unstable (frequent moves), inaccessible (lack of ramps/lifts), inadequate (major repairs needed), unsuitable (not enough bedrooms), or unaffordable housing. Given the association between housing and health, housing need may be an important consideration when caring for CMC. Objectives The primary objective was to describe the prevalence of and factors related to housing need in CMC. The secondary objective was to compare housing need between CMC, children with one chronic condition (Type 1 diabetes; CT1D) and healthy children (HC) to understand the relationship between chronic conditions and housing need. Design/Methods This was a cross-sectional descriptive study. Housing affordability, adequacy, suitability, stability, and accessibility were evaluated through surveys administered to caregivers of CMC, CT1D, and HC at a tertiary-care paediatric hospital using convenience sampling. The association of binary outcomes of housing need between groups was analyzed using logistic regression models, adjusting for sociodemographic factors (income, education, employment, geography, immigration status). Results 453 caregivers participated (Table 1). Compared to caregivers of HC, caregivers of CMC had higher odds of reporting one or more moves in the last two years (1.3 times), having safety concerns (3 times), using a common area as a bedroom (5.2 times), and experiencing housing stress (3.2 times), after sociodemographic factors were adjusted for (Table 2). Families of CT1D also had elevated odds of some indicators of housing need compared to HC, although to a lesser extent than CMC. 62.2% of CMC indicated they had to reduce spending on basics in order to afford their rent/mortgage, compared to 35.9% of CT1D and 25.2% of HC. Nearly two-thirds of CMC (60.2%) reported a need for accessibility accommodations in their home. Of those who installed accommodations, 62.9% felt the installations were a financial burden (cost ranged from $800-$80,000). Conclusion Families of CMC had higher odds of reporting unstable, inadequate, unsuitable, and stressful housing compared to HC even after sociodemographic factors were accounted for, suggesting an association between complexity of child health conditions and housing need. Access to appropriate housing may improve the health of CMC. Health care providers can screen for housing need, become familiar with housing interventions, and advocate for improved resources to address housing need in CMC.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,015
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,089
Tête enseignante GPT0,357
Écart entre enseignants0,268 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetChronic Disease Management Strategies→Travaux en français237 207→