Drivers of Being Unhoused and the Prevalence of Health Conditions among Unhoused Individuals in Asheville, NC
Notice bibliographique
Résumé
Background: During the COVID-19 pandemic, there was an increase in the number of unhoused individuals in Asheville, North Carolina resulting in more tent encampments.Understanding the physical, mental, and socially determined health characteristics associated with being unhoused can help guide stakeholders with policy development, healthcare program planning, and funding decisions to support unhoused individuals. Methods: In this study, we used an observational cross-section methodology. Using a convenience sample approach, we interviewed 101 participants who were receiving services from 2 emergency hotel shelters, a day center, and a resource center. Data were analyzed using descriptive statistics, and open-ended responses were collected and grouped to provide context. Results: Most participants were White (71%) and identified as male (76%). Over 60% reported having a high school education or advanced degree. Of the participants, 76% reported being unhoused for more than 6 months, and their last permanent housing was in Western North Carolina. Dental disease, chronic pain, and hypertension were common physical conditions. PTSD, depression, and anxiety were common mental health conditions. A lack of transportation was the most noted socially determined challenge. Marijuana, methamphetamine, and alcohol were the most often used substances, where methamphetamine was noted to be particularly problematic for the participants. Conclusion: Understanding the physical, mental, and social issues of the complex unhoused population can assist policymakers, healthcare providers, and other stakeholders in addressing challenges and testing improvement strategies.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».