MétaCan
Menu
Retour à la cohorte
Enregistrement W4402624767 · doi:10.1016/j.amepre.2024.09.011

Inequities in Unexpected Cost-Sharing for Preventive Care in the United States

2024· article· en· W4402624767 sur OpenAlexafffund
Alex Hoagland, Olivia B. Yu, Michal Horný

Notice bibliographique

RevueAmerican Journal of Preventive Medicine · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute on AgingCenters for Disease Control and PreventionAkademie Věd České RepublikyCommonwealth FundMasarykova UniverzitaNational Center for Advancing Translational SciencesÚstav organické chemie a biochemie Akademie věd České republikyMinistry of Health, Ontario
Mots-clésPreventive careEnvironmental healthMEDLINECost sharingPreventive healthcareMedicineBusinessHealth careEconomic growthPublic healthPolitical scienceNursingEconomics

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Unexpected out-of-pocket (OOP) costs for preventive care reduce future uptake. Because adherence to service guidelines differs by patient populations, understanding the role of patient demographics and social determinants of health (SDOH) in the incidence and size of unexpected cost-sharing is necessary to address these disparities. This study examined the associations between patient demographics and cost-sharing for common preventive services. METHODS: This cross-sectional study used a national sample of insurance claims for recommended preventive services provided to privately insured adult patients between 2017 and 2020. The relationships between patient demographics and OOP costs were adjusted for service type, insurance type, geographic location, and time trends using regression analysis. Analyses were conducted in 2024. RESULTS: The sample included 1,736,063 unique preventive care encounters of 1,078,010 individuals. Among preventive encounters, 40.3% resulted in OOP costs. Lower-educated patients had 9.4% (OR=1.094; 95% CI=1.082, 1.106) higher odds of incurring OOP costs than patients with college degrees. Low-income patients (annual household income of $49,999 or less) had 10.7% (OR=0.893; 95% CI=0.880, 0.906) lower odds of incurring OOP costs than high-income patients. Conditional on incurring costs, lower educated patients paid $15.07 (95% CI= -$15.24, -$14.91) less than higher educated patients, and low-income patients paid $11.76 (95% CI=$11.58, $11.95) more than high-income patients. Significant differences across racial and ethnic groups were observed. CONCLUSIONS: The likelihood and size of OOP costs for preventive care varied considerably by patient demographics; this may contribute to inequitable access to high-value care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,341
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2024
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueAmerican Journal of Preventive MedicineMême sujetHealthcare Policy and ManagementTravaux en français237 207