MétaCan
Menu
Retour à la cohorte
Enregistrement W4417276049 · doi:10.2196/78696

Prevalence and Intensity of Catastrophic Health Expenditure Among Residents in a Multiethnic Province in China: Cross-Sectional Study

2025· article· en· W4417276049 sur OpenAlexvenueno aff
Wenning Sun, Shilong Zhang, Y Ye, Zengbing Fang, Y. F. Zheng, Gang Cheng, Qingyue Meng, Haipeng Wang

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Systems and Reforms
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocioeconomic statusPublic healthHealth equityHealth insurancePopulationRural populationHealth economics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Hainan is a pilot free trade port in China and a multiethnic province. Catastrophic health expenditure (CHE) reflects health care inequity, particularly affecting vulnerable groups in rapidly developing multiethnic regions. OBJECTIVE: This study aims to analyze CHE prevalence and intensity and their influencing factors among residents in a Chinese multiethnic province. METHODS: Data from the 2023 Hainan Province Health Services Survey, conducted among 14,532 individuals aged 18 years or older, were used in a multistage stratified cluster sampling. CHE was defined as out-of-pocket health care payments exceeding 40% of the household's capacity to pay. The chi-square test and a logistic regression were used to identify influencing factors for CHE. Nonparametric tests and quantile regression were used to evaluate the influencing factors for CHE intensity. RESULTS: The prevalence of CHE in Hainan province was 8.37%, with a median intensity of 17.67% (IQR 8.31%-29.77%). Residents were more likely to experience CHE if they were older than 60 years (odds ratio [OR] 1.928, 95% CI 1.602-2.320; P<.001), unmarried (OR 1.241, 95% CI 1.075-1.433; P=.003), or had chronic illnesses (OR 2.214, 95% CI 1.930-2.540; P<.001). Ethnic minority groups (OR 0.774, 95% CI 0.679-0.883; P<.001) as well as middle-income (OR 0.722, 95% CI 0.600-0.869; P=.001), high-middle-income (OR 0.739; 95% CI 0.609-0.898; P=.002), and high-income (OR 0.591, 95% CI 0.474-0.738; P<.001) groups were less likely to experience CHE. At lower CHE intensity (20th percentile), individuals older than 60 years (β=1.935; P=.03) and middle-income (β=1.737; P=.04) and rural (β=2.202; P=.005) residents showed positive associations. At the 50th percentile, low-middle-income (β=-5.052; P=.005), high-middle-income (β=-4.203; P=.03), and high-income (β=-6.534; P=.004) groups showed negative associations. At the 80th percentile, high-middle-income (β=-7.143; P=.03) and rural (β=-6.241; P=.005) groups showed stronger financial protection. CONCLUSIONS: Addressing CHE risks remains a critical challenge in Hainan province, highlighting structural inequities rooted in socioeconomic disparities and health vulnerabilities. Therefore, policy should prioritize primary prevention in the lowest-income populations while implementing enhanced insurance coverage for rural populations facing extreme costs to alleviate the most severe financial burdens.

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)0,001
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 enseignants0,097
Score d'incertitude au seuil0,193

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,033
Tête enseignante GPT0,314
Écart entre enseignants0,281 · 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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetHealthcare Systems and ReformsTravaux en français237 207