Determinants of Health Service Utilization Among Adults at High Risk of Developing Type 2 Diabetes in Kerala, India
Notice bibliographique
Résumé
The purpose of this study was to examine the determinants of health service utilization in a population at high risk of developing type 2 diabetes mellitus in India. Using Andersen's behavioral model of healthcare utilization, multivariate logistic regression analysis was performed on baseline data of the Kerala Diabetes Prevention Program. We examined the association between predisposing, enabling, and need factors with outpatient health service use in the past four weeks and inpatient health service use in the past 12 months. More than a quarter (27.9%) and 12.9% of 1007 participants used outpatient services and inpatient services, respectively. Men were less likely to use outpatient services (odds ratio [OR] = 0.56). Outpatient service utilization was positively associated with low social support (OR = 1.69), low general health status (OR = 5.71), and time off from work due to illness (OR = 8.01). Higher educational status (OR = 0.63), low general health status (OR = 3.59), and time off from work due to illness (OR = 1.21) were associated with increased utilization of inpatient services. Although gender, educational status, and social support had important roles, health service utilization in this study population was largely dependent on general health status and presence of illness.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
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 ».