Hospital Emergency Room Visits for Heavy Menstrual Bleeding
Notice bibliographique
Résumé
Heavy menstrual bleeding (HMB) is a well-recognized health issue among women of reproductive age. The characteristics and demographics of women in the community with HMB who present at the emergency department (ED) are not well described. This research aimed to describe the cohort of women who seek treatment at the ED. The Healthcare Cost and Utilization Project 2016 National Emergency Department Sample was examined. The theory of reasoned action predicts that women who present at the ED are exhibiting health seeking behavior. From 32 million records, the inception cohort identified N = 111,555 cases. Using national estimation weights, this translates to approximately 509,833 ED visits in the United States for HMB. The majority of the cohort, 39.59%, came from the lowest median household income quartile by ZIP code (under $42,999). Women with anemia were significantly older than the overall cohort. The greatest incidence of anemia was in women aged 40 to 49 years, 7.41%. Four logistic regression models examining the whole cohort and three comorbidities (anemia, hypertension, and diabetes) found age to be a significant predictor of hospitalization. Low income was also a significant predictor of hospitalization. The proportion hospitalized in the lowest household income group was significantly greater versus each of the other three quartiles, p < 0.001. Women living in the rural locations with the lowest household income had the highest proportion of hospitalizations. Women of economic disadvantage are most likely to use the ED for medical care. Residing in rural areas may lead to health avoidance until the severity of symptoms necessitates hospitalization. These findings signify a silent public health burden.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».