Income and Household Material Hardship in Children With Medical Complexity
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Household economic hardship negatively impacts child health but may not be adequately captured by income. We sought to determine the prevalence of household material hardship (HMH), a measure of household economic hardship, and to examine the relationship between household poverty and material hardship in a population of children with medical complexity. METHODS: We conducted a cross-sectional survey study of parents of children with medical complexity receiving primary care at a tertiary children's hospital. Our main predictor was household income as a percentage of the federal poverty limit (FPL): <50% FPL, 51% to 100% FPL, and >100% FPL. Our outcome was HMH measured as food, housing, and energy insecurity. We performed logistic regression models to calculate adjusted odds ratios of having ≥1 HMH, adjusted for patient and clinical characteristics from surveys and the Pediatric Health Information System. RESULTS: At least 1 material hardship was present in 40.9% of participants and 28.2% of the highest FPL group. Families with incomes <50% FPL and 51% to 100% FPL had ∼75% higher odds of having ≥1 material hardship compared with those with >100% FPL (<50% FPL: odds ratio 1.74 [95% confidence interval: 1.11-2.73], P = .02; 51% to 100% FPL: 1.73 [95% confidence interval: 1.09-2.73], P = .02). CONCLUSIONS: Poverty underestimated household economic hardship. Although households with incomes <100% FPL had higher odds of having ≥1 material hardship, one-quarter of families in the highest FPL group also had ≥1 material hardship.
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 | 0,001 | 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 | 0,001 |
| 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 ».