Health status and care utilization among Afghan refugees recently resettled in Calgary, Canada between 2011–2020
Notice bibliographique
Résumé
BACKGROUND: The United States and Canada have resettled over 120,000 Afghan refugees since August 2021, but sociodemographic and health status data remains sparse with investigations often limited to refugee entrance exams, standardized health screenings, or acute health settings. METHODS: This retrospective community-engaged cross-sectional study investigated Afghan patients who received care between January 1, 2011 and December 31, 2020 at an interdisciplinary specialized refugee clinic in Calgary, Canada that provides care to newly arrived refugees. Two reviewers independently extracted and manually verified sociodemographic factors, medical diagnoses, and clinic utilization variables from patients’ electronic medical records, then coded patient diagnoses into ICD-10 codes and chapter groups. Diagnosis frequencies were calculated and stratified by age group and sex. We corroborated these findings with Afghan refugee co-investigators. FINDINGS: Among 402 Afghan refugee patients, 228 were adults (mean age 34.2 [SD 13] years), and 174 were children (mean age 7.5 [SD 5.4] years). We identified 1535 total individual diagnoses and classified them into 382 unique ICD-10 codes. Patients had a median 2 diagnoses each [IQR 0–6], 4 clinic visits across primary, specialty and multidisciplinary care annually, and an 11% appointment no-show rate. Among adults, the most frequent diagnoses were abdominal pain (26.3%, 60/228), mechanical back pain (20.2%, 46/228), and H. pylori infection (19.3%, 44/228). Among children, the most frequent diagnoses were upper respiratory tract infection (12.1%, 21/174), Giardia (10.3%, 18/174), and short stature (7.5%, 13/174). CONCLUSIONS: Recently resettled Afghan refugees in Canada were relatively young, experienced diverse health characteristics, and had multi-specialty care engagement in their first two years after arrival. These findings may guide specialized healthcare provision to this inadequately characterized but growing population of refugee arrivals in North America and elsewhere.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».