Crowdsourcing Medical Costs in Dermatology: Cross-sectional Study Analyzing Dermatologic GoFundMe Campaigns
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.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».