An evolution of socioeconomic inequalities in self-rated health in Korea: Evidence from Korea National Health and Nutrition Examination Survey (KNHANES) 1998–2018
Notice bibliographique
Résumé
Reducing socioeconomic inequalities in health has become an important health policy agenda. This study aimed to measure socioeconomic inequalities in health in Korea over the past two decades and identify the contributing factors to the observed inequalities. Data from the Korea National Health and Nutrition Examination Survey (KNHANES) from 1998 to 2016/2018 were utilized. The concentration index (CI) was calculated to measure health inequalities, and decomposition analysis was applied to identify and quantify the contributing factors to the observed inequalities in health. The results indicated that health inequalities exist, suggesting that poor health was consistently more concentrated among Korean adults with lower income (1998: -0.154; 2016/2018: -0.152). Gender-stratified analyses also showed that poor health was more concentrated in lower income women and men, with the degree of inequalities slightly more pronounced among women. The decomposition approach revealed that income and educational attainment were the largest contributors to the observed health inequalities as higher income and education associated with better self-rated health. These findings suggest the importance of considering socioeconomic determinants, such as income and education, in efforts to tackling health inequalities, particularly considering that self-rated health is a predictor of future mortality and morbidity. Furthermore, it is essential to implement more egalitarian social, labour market, and health policies in order to eliminate the existing socioeconomic inequalities in health in Korea.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».