State-level heterogeneity in associations between structural stigma and individual health care access: A multilevel analysis of transgender adults in the United States
Notice bibliographique
Résumé
OBJECTIVE: State-level variation in how restrictive policies affect health care access for transgender populations has not been widely studied. Therefore, we assessed the association between structural stigma and four measures of individual health care access among transgender people in the United States, and the extent to which structural stigma explains state-level variability. METHODS: Data were drawn from the 2015-2019 Behavioral Risk Factor Surveillance System and the Human Rights Campaign's State Equality Index. We calculated weighted proportions and conducted multilevel logistic regression of individual heterogeneity and discriminatory accuracy. RESULTS: An increase in the structural stigma score by one standard deviation was associated with lower odds of health care coverage (OR = 0.80; 95% CI: 0.66, 0.96) after adjusting for individual-level confounders. Approximately 11% of the total variance for insurance coverage was attributable to the state level; however, only 18% of state-level variability was explained by structural stigma. Adding Medicaid expansion attenuated the structural stigma-insurance association and explained 22% of state-level variation in health insurance. For the remaining outcomes (usual source of care, routine medical check-up, and cost-related barriers), we found neither meaningful associations nor considerable between-state variability. CONCLUSIONS: Our findings support the importance of Medicaid expansion and transgender-inclusive antidiscrimination protections to enhance health care insurance coverage. From a measurement perspective, however, additional research is needed to develop and validate measures of transgender-specific structural stigma to guide future policy interventions.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».