How Much Time Do Families Spend on the Health Care of Children with Diabetes?
Notice bibliographique
Résumé
Introduction: Family time caring for children with diabetes is an overlooked component of the overall burden of the condition. We document and analyze risk factors for time family members spend providing health care at home and arranging/coordinating health care for children with diabetes. Methods: Data for 755 diabetic children and 16,161 non-diabetic children whose chronic conditions required only prescription (Rx) medication were from the 2009-2010 United States National Survey of Children with Special Health Care Needs (NS-CSHCN). We used generalized ordered logistic regressions to estimate adjusted odds ratios (AORs) of time burden by diabetes, insulin use, and stability of the child's health care needs, controlling for health and socioeconomic status. Results: Nearly one-quarter of diabetic children had family members who spent 11+ h/week providing health care at home, and 8% spent 11+ h/week arranging/coordinating care, compared with 3.3% and 1.9%, respectively, of non-diabetic Rx-only children. Time providing care at home for insulin-using children was concentrated in the higher time categories: AORs for insulin-using diabetic compared to non-diabetic Rx-only children were 4.4 for 1+ h/week compared with <1 h/week, 9.7 for 6+ vs. <6 h, and 12.4 for 11+ vs. <11 h (all P < 0.05); the pattern was less pronounced for non-insulin-using children. AORs for arranging/coordinating care did not vary by time contrast: AOR = 4.2 for insulin-using, 3.0 for non-insulin-using children. Conclusion: Health care providers, school personnel, and policymakers need to work with family members to improve care coordination and identify other ways to reduce family time burdens caring for children with diabetes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».