Accessing medical care for infertility: a study of women in Mexico
Notice bibliographique
Résumé
Objective: To investigate barriers in accessing care for infertility in Mexico, because little is known about this issue for low and middle-income countries, which comprise 80% of the world's population. Design: Cross-sectional analysis. Setting: Mexcian Teachers' Cohort. Patients: A total of 115,315 female public school teachers from 12 states in Mexico. Interventions: None. Main Outcome Measures: The participants were asked detailed questions about their demographics, lifestyle characteristics, access to the health care system, and infertility history via a self-reported questionnaire. Log-binomial models, adjusted a priori for potential confounding factors, were used to estimate the prevalence ratios (PRs) and 95% confidence intervals ( CIs) of accessing medical care for infertility among women reporting a history of infertility. Results: A total of 19,580 (17%) participants reported a history of infertility. Of those who experienced infertility, 12,470 (63.7%) reported seeking medical care for infertility, among whom 8,467 (67.9%) reported undergoing fertility treatments. Among women who reported a history of infertility, women who taught in a rural school (PR, 0.95; 95% CI, 0.92-0.97), spoke an indigenous language (PR, 0.88; 95% CI, 0.84-0.92), or had less than a university degree (PR, 0.93; 95% CI, 0.90-0.97) were less likely to access medical care for fertility. Women who had ever had a mammogram (PR, 1.07; 95% CI, 1.05-1.10), had a pap smear in the past year (PR, 1.08; 95% CI, 1.06-1.10), or who had used private health care regularly or in times of illness were more likely to access medical care for fertility. Conclusions: The usage of infertility care varied by demographic, lifestyle, and access characteristics, including speaking an indigenous language, teaching in a rural school, and having a private health care provider.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».