Sociodemographic factors associated with access to preventative care for children
Notice bibliographique
Résumé
Since the beginning of the 21st century, there has been an ongoing decline in children’s physicals, delayed immunizations, and well visits. This study investigates sociodemographic factors including poverty levels (PDL), employment status, adequacy of insurance, and race on the accessibility of preventative care check ups. The research from this study has been derived from the 2022 National Survey of Children's Health survey that sampled 53,621 participants from diverse socioeconomic and racial backgrounds. This study uses Binary regression analysis and Pearson's chi-squared tests to examine and test the association between key factors and access of care. For example, participants in the lowest poverty level (0-99%) experienced poorer health outcomes (27.2%) compared to those in 400%+ income level (12.4%). Furthermore, when compared to the unemployed or unpaid class of participants, the participants who work full-time are associated with better health outcomes (OR=1.219, 95% CI = 1.100, 1.352). Racial minorities, including Hispanic (OR=0.763), Black (OR=0.801), and Asian (OR=0.553) participants, showed lower odds of positive outcomes compared to participants of White descent. This research seeks to encourage the creation of targeted interventions strategies focusing on poverty reduction, stable income, and equitable, universal access to preventative measures for children across diverse populations. Keywords: preventative care, children, sociodemographic factors, United States
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».