Crowdsourcing Medical Costs in Dermatology: Cross-sectional Study Analyzing Dermatologic GoFundMe Campaigns
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
BACKGROUND: Crowdfunding for medical costs is becoming increasingly popular. Few previous studies have described the fundraising characteristics and qualities associated with success. OBJECTIVE: This study aimed to characterize and investigate the qualities associated with successful dermatological fundraisers. METHODS: This cross-sectional study of dermatological GoFundMe campaigns collected data, including demographic variables, thematic variables using an inductive qualitative method, and quantitative information. Linear regression examined the qualities associated with success, which are defined based on funds raised when controlling for campaign goals. Logistic regression was used to examine qualities associated with extremely successful campaigns, defined as those raising >1.5 times the IQR. Statistical significance was set at P<.05. RESULTS: A total of 2008 publicly available campaigns at the time of data collection were evaluated. Nonmodifiable factors associated with greater success included male gender, age 20-40 years, and White race. Modifiable factors associated with success included more updates posted to the campaign page, non-self-identity of the campaign creator, mention of a chronic condition, and smiling in campaign profile photographs. CONCLUSIONS: Understanding the modifiable factors of medical crowdfunding may inform future campaigns, and nonmodifiable factors may have policy implications for improving health care equity and financing. Crowdfunding for medical disease treatment may have potential implications for medical privacy and exacerbation of existing health care disparities. This study was limited to publicly available GoFundMe campaigns. Potential limitations for this study include intercoder variability, misclassification bias because of the data abstraction process, and prioritization of campaigns based on the proprietary GoFundMe algorithm.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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