Socioeconomic disparities in healthcare access and implications for all-cause mortality among US adults: a 2000-2019 record linkage study
Notice bibliographique
Résumé
The United States (US) has witnessed a notable increase in socioeconomic disparities in all-cause mortality since 2000. While this period is marked by significant macroeconomic and health policy changes, the specific drivers of these mortality trends remain poorly understood. In this study, we assessed healthcare access variables and their association with socioeconomic status (SES)-related differences (exposure) in US all-cause mortality (outcome) since 2000. Our research drew upon cross-sectional data from the National Health Interview Survey (NHIS, 2000-2018), linked to death records from the National Death Index (NDI, 2000-2019; n = 486 257). The findings reveal that the odds of a lack of health insurance and unaffordability of needed medical care were over 2-fold higher among individuals with lower education compared to those with high education, following differential time trends. Moreover, elevated mortality risk was associated with lower education (up to 77%), uninsurance (17%), unaffordability (43%), and delayed care (12%). Uninsurance and unaffordability accounted for 4%-6% of the disparities in time to mortality between low- and high-education groups. These findings were corroborated by income-based sensitivity analyses, emphasizing that inadequate healthcare access partially contributed to socioeconomic disparities in mortality. Effective policies promoting equitable healthcare access are imperative to mitigate socioeconomic disparities in mortality.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».