Impact of the Health Gym Program on hospital admissions for stroke in the state of Pernambuco, Brazil
Notice bibliographique
Résumé
This study aimed to evaluate the impact of the Health Gym Program (HGP) on hospital admissions for stroke in the state of Pernambuco, Brazil. This policy impact evaluation used a quasi-experimental approach consisting of a difference-in-differences estimator, weighted by propensity score matching to deal with potential confounding variables. The study comprised socioeconomic, demographic, and epidemiological data from official Brazilian databases from 2010 to 2019. The treatment group was composed of the 134 municipalities that implemented the HGP since 2011. The 51 municipalities that did not were allocated to the comparison group. The nearest neighbor algorithm (N5) was used to pair treatment and comparison group municipalities and create the weights to evaluate the average treatment effect on the treated (ATT) in the difference-in-differences estimator. In 2010, 2,771 people were hospitalized for stroke (0.51% of all hospitalizations) and in 2019, 11,542 (2%). Municipalities that implemented the HGP had 18.37% fewer hospitalizations than their counterparts in the comparison group. The program's impact in reducing hospitalization rates was incrementally greater among men (ATT: -0.1932) and those aged 71 to 80 years (ATT: -0.1911). All results were statistically significant at the 5% level. The HGP reduced hospitalization for stroke in several population groups, but primarily in those whose underlying prevalence of stroke is highest, reinforcing the importance of public investments in health promotion policies designed to encourage lifestyle changes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».