Natural disasters in the United States: Hurricane risk, hospital closures, and healthcare finance
Notice bibliographique
Résumé
Background: Global climate change has increased the likelihood of natural disasters, including hurricanes, floods, wildfires, tornadoes, and earthquakes; this increased risk presents acute socioecological disturbances that generate cascading impacts across healthcare systems, social structures, and economic frameworks. Forty-three percent of Atlantic hurricanes that make U.S. landfall hit the southeastern United States, and their increasing intensity threatens the healthcare infrastructure. Hospital cost-to-charge ratios (CCRs) vary between rural and urban facilities, but hurricane risk impacts on hospital financial performance remain poorly understood. Objective: To examine relationships among hurricane risk, geographic location, and hospital CCRs among southeastern hospitals. Methods: A cross-sectional analysis was used to merge 2021 CMS Cost Report data with 2023 FEMA National Risk Index data for 1,030 hospitals across eight southeastern states. All hospitals within this region were included except for federally funded hospitals due to their unique funding model. Each hospital self-reports its categorization of urban or rural on the CMS Cost Report. Multivariate regression was used to examine associations among log-transformed CCR and hurricane risk percentile, rural/urban location, and hospital quick ratio. Results: Among 1,030 hospitals analyzed, 52% were rural and 48% urban. The regression model explained 24.7% of CCR variation (adjusted R2 = 0.2465, F = 85.18, p < .0001). All predictors were statistically significant (p < .0001). Counter to expectations, each 1-point increase in hurricane risk percentile was associated with a 0.1% decrease in CCR, indicating improved cost efficiency in higher-risk areas. LOGCCR = - .75714 - .00840 (NAPCT) - .26551 (RURAL) + .01491 (QUICK) - .00011 (QUICK2). Rural hospitals as indicated by the CMS Cost Report demonstrated 26.5% lower CCR compared to urban hospitals. Hospital quick ratio showed a curvilinear relationship with CCR; at the mean quick ratio (3.819), each 1-unit increase was associated with a 1.4% increase in CCR. No significant multicollinearity was detected among predictor variables. Conclusions: Hurricane risk is paradoxically associated with lower hospital CCR, suggesting complex financial adaptations in high-risk areas. Rural hospitals maintain more favorable cost structures than urban facilities, and policymakers should consider these geographic variations in disaster preparedness strategies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».