Trends in Health Care Utilization among United States Children with Eczema by Age, Sex, Race, and Hispanic Ethnicity: National Health Interview Survey 2006–2018
Notice bibliographique
Résumé
Abstract: Background: Higher health care utilization has been proven among US children with eczema than those without, but disparities may exist among sociodemographic subgroups. Objective: To determine health care utilization trends among children with eczema across sociodemographic factors. Methods: We included children (0–17 years old) from the US National Health Interview Survey 2006–2018. We calculated the survey-weighted health care utilization by determining proportion of children attending a well-child checkup, seen by a medical specialist, and seen by a mental health professional in the previous 12 months for children with and without eczema, by race (white, black, American Indian/Alaska Native, Asian, and multiracial), Hispanic ethnicity (yes/no), age (0–5, 6–10, 11–17), and gender (male/female) subgroups using SPSS complex samples. Joinpoint regression was used to estimate piecewise log-linear trends in the survey-weighted prevalence, annual percentage change, and disparities between subgroups. Results: We included 149,379 children—there was higher health care utilization in children with eczema than those without. However, when comparing the average annual percentage change (AAPC), white children had a significantly higher AAPC of “attending a well-child checkup” than black children. In addition, only white children showed a significantly increasing trend in being “seen by a medical specialist,” whereas all other minority race subgroups had stagnant trends. For those “seen by a mental health professional,” there were increasing trends only in the male and non-Hispanic subgroups out of all the sociodemographic subgroups. Conclusion: Improving awareness among primary care physicians to refer children with moderate-to-severe eczema to medical specialists (eg, allergists, dermatologists, and mental health/attention-deficit/hyperactivity disorder professionals) when necessary could improve quality of life and reduce emergency department visits—especially among minority race, Hispanic, and female children.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».