National Trends in the Prevalence of Unmet Health Care and Dental Care Needs During the COVID-19 Pandemic: Longitudinal Study in South Korea, 2009-2022
Notice bibliographique
Résumé
Background Although previous studies have investigated trends in unmet health care and dental care needs, most have focused on specific groups, such as patients with chronic conditions and older adults, and have been limited by smaller data sets. Objective This study aims to investigate the trends and relative risk factors for unmet health care and dental care needs, as well as the impact of the COVID-19 pandemic on these needs. Methods We assessed unmet health care and dental care needs from 2009 to 2022 using data from the Korea Community Health Survey (KCHS). Our analysis included responses from 2,750,212 individuals. Unmet health care or dental care needs were defined as instances of not receiving medical or dental services deemed necessary by experts or desired by patients. Results From 2009 to 2022, the study included 2,700,705 individuals (1,229,671 men, 45.53%; 673,780, 24.95%, aged 19-39 years). Unmet health care needs decreased before the COVID-19 pandemic; however, during the pandemic, there was a noticeable increase (βdiff 0.10, 95% CI 0.09-0.11). Unmet dental care needs declined before the pandemic and continued to decrease during the pandemic (βdiff 0.23, 95% CI 0.22-0.24). Overall, the prevalence of unmet dental care needs was significantly higher than that for unmet health care needs. While the prevalence of unmet health care needs generally decreased over time, the β difference during the pandemic increased compared with prepandemic values. Conclusions Our study is the first to analyze national unmet health care and dental care needs in South Korea using nationally representative, long-term, and large-scale data from the KCHS. We found that while unmet health care needs decreased during COVID-19, the decline was slower compared with previous periods. This suggests a need for more targeted interventions to prevent unmet health care and dental care needs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».