MétaCan
Menu
Retour à la cohorte
Enregistrement W4391296256 · doi:10.7759/cureus.53121

Respondent Demographics and Contraceptive Use Patterns in the United States: A National Survey of Family Growth Analysis

2024· article· en· W4391296256 sur OpenAlexaff
Barbara Prol, Sarah Klein, Christopher Rennie, Sanela Andelija

Notice bibliographique

RevueCureus · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueReproductive Health and Contraception
Établissements canadiensBrandon UniversityBrandon Regional Health Authority
Organismes subventionnairesCenters for Disease Control and Prevention
Mots-clésMedicineNational Survey of Family GrowthFamily planningPillUnintended pregnancyPopulationFamily medicineCondomDemographyGynecologyBirth controlMedroxyprogesterone acetateSterilization (economics)Public healthEnvironmental healthNursing

Résumé

récupéré en direct d'OpenAlex

Introduction: Contraception is an important tool for helping to prevent both unintended pregnancies and sexually transmitted infections (STIs). Medical costs related to STIs are high and impose a large burden on both patients and the healthcare system. In addition, unintended pregnancies account for a large portion of pregnancies in the United States (US) and are associated with adverse maternal and infant health outcomes. Both STIs and unintended pregnancies are continuous public health concerns, and this study aims to identify patterns in contraceptive method use in relation to specific social determinants of health. Methods: Utilizing the Centers for Disease Control and Prevention (CDC)’s 2017-2019 National Survey of Family Growth report on current contraceptive status, we isolated data from 3,572 respondents who reported using one of the following contraceptive methods: oral contraceptive pills (OCPs), male condoms, partner’s vasectomy, female sterilization, withdrawal, medroxyprogesterone acetate injections (Depo-Provera), hormonal implant, or an intrauterine device (IUD). We analyzed these contraceptive methods among age, race, education, marital status, and insurance status. Data were analyzed in RStudio 2022.02.0 (RStudio Team, RStudio: Integrated Development for R. RStudio, PBC, Boston, MA) through a test of equal proportions for a significance of P < 0.05. A concurrent Yates' continuity correction was performed in order to limit erroneous significant findings based on small sample sizes where applicable. The study conception and data analysis were performed independently with oversight from our preceptor at HCA Florida Brandon Hospital, Brandon, Florida. Results: There were statistically significant differences for all our selected methods of contraception across different age groups. There were statistically significant differences for OCPs, male condoms, partner’s vasectomy, female sterilization, Depo-Provera, hormonal implant, and IUD across different race groups and different insurance statuses. There were statistically significant differences for OCPs, male condoms, partner’s vasectomy, female sterilization, withdrawal, hormonal implant, and IUD across different education levels and different marital statuses. Conclusion: This analysis highlights gaps that are present in female reproductive autonomy through the statistical differences in contraceptive methods across various demographics and warrants continued focus on the role that social determinants of health play in the prevention of unintended pregnancies and STIs. In order to promote fairness and equality in healthcare, it is essential to increase education on these topics both within and beyond medical settings. This effort aims to provide patients with equitable access to healthcare and attempt to address health disparities that are prevalent in multiple different sectors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,368
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCureusMême sujetReproductive Health and ContraceptionTravaux en français237 207