MétaCan
Menu
← Retour à la cohorte
Enregistrement W4415822788 · doi:10.2196/73731

Differences in Hemodialysis Claim Patterns Across Membership Types Among Patients With Renal Failure Based on National Health Insurance Data From 2017 to 2022: Cross-Sectional Analysis

2025· article· en· W4415822788 sur OpenAlexvenueno aff
Aries Munandar, Syarif Rahman Hasibuan, Dian Kusuma

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDialysis and Renal Disease Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocioeconomic statusProxy (statistics)HemodialysisNational health insuranceHealth careHealth insuranceHealth servicesPublic health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chronic kidney disease and end-stage renal disease are major contributors to the disease burden in low- and middle-income countries, including Indonesia. Despite the expansion of universal health coverage through Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan, Indonesia's national health insurance program, disparities in access to hemodialysis persist across different socioeconomic and geographic groups. Understanding these inequities is critical to advancing equitable health care access. OBJECTIVE: This study aimed to examine disparities in hemodialysis claim patterns as a proxy for access among adult patients with renal failure enrolled in BPJS, focusing on differences by membership type, sex, age, geographic region, urbanicity, and facility ownership. METHODS: We conducted a cross-sectional analysis of 38,383 anonymized health insurance claims between 2017 and 2022 for patients with renal failure who were aged ≥18 years. The primary outcome was receipt of hemodialysis. We used multivariate logistic regression to estimate adjusted odds ratios (aORs) for receiving hemodialysis across BPJS membership types and other covariates. Subgroup analyses were performed by sex, facility ownership, urbanicity, and geographic region. Robust SEs and probability weights were applied to account for the sample design. RESULTS: Of the total renal failure claims, 75.6% (29,017/38,383) involved hemodialysis. Compared with individuals in the lowest income group (ie, members subsidized under the national government budget), informal workers (aOR 1.56, 95% CI: 1.34-1.82); P<.001) and members subsidized under the local government budget (aOR 1.31, 95% CI: 1.05-1.63); P=.017) had higher odds of receiving hemodialysis, while formal sector workers had lower odds (aOR 0.81, 95% CI: 0.68-0.98); P=.028). Disparities were more pronounced in rural areas and among women; for example, in rural regions, locally subsidized members had more than twice the odds of receiving hemodialysis compared with nationally subsidized members (aOR 2.40, 95% CI: 1.78-3.23). Men had higher odds than women (aOR 1.17, 95% CI: 1.04-1.32), and younger patients were more likely to receive treatment than older ones. Regional disparities were stark, with patients in Java or Bali having much greater access (aOR 8.30, 95% CI 5.33-12.94) compared with those in eastern Indonesia (Papua, Maluku, and Nusa Tenggara). Patients treated at private facilities (aOR 1.30, 95% CI 1.13-1.50) and in outpatient settings (aOR 3.74, 95% CI 3.36-4.17) were more likely to receive hemodialysis, whereas those in lower-level hospitals or clinics were less likely to access care. CONCLUSIONS: Substantial disparities in hemodialysis claim patterns (as a proxy for access) exist within Indonesia's national health insurance system, particularly affecting low-income populations, rural residents, women, and those in less advantaged regions. Policy efforts to enhance health infrastructure, improve service distribution, and reduce geographic and socioeconomic barriers are urgently needed to support equitable access to renal care services and achieve universal health coverage goals.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,020
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,043
Tête enseignante GPT0,347
Écart entre enseignants0,303 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetDialysis and Renal Disease Management→Travaux en français237 207→