Regional Disparities in Factors Associated with Subjective Health Among Older Adults in Aging and Super-Aged Areas of Korea: Nationwide Cross-Sectional Study (Preprint)
Notice bibliographique
Résumé
Background: As South Korea transitions into a super-aged society, understanding regional disparities in subjective health among older adults is critical to addressing health inequalities and supporting healthy aging. Objective: This study aimed to compare determinants of subjective health between aging and super-aged areas in South Korea and identify region-specific characteristics contributing to disparities among older adults. Methods: A cross-sectional analysis was conducted using data from the Korea Community Health Survey (2020-2023), a nationwide population-based survey at the city, county, and district levels. Adults aged 65 years and older (n=179,571) were categorized into aging (n=19,759) or super-aged (n=159,782) areas based on regional aging rates. Propensity score matching was applied to adjust for demographic differences, yielding 18,574 matched participants in each group. Subjective health was assessed using a 5-point Likert scale. Ordinal logistic regression was used to examine associations between subjective health and various exposures, including demographic characteristics, health behaviors, physical and mental health status, and health literacy indicators such as nutrition label recognition and reading. Results: Older adults in super-aged areas reported poorer subjective health than those in aging regions. Physical activity and mental health were consistently associated with better subjective health in both regions, region-specific patterns were observed. In aging regions, nutrition label recognition was significantly associated with better subjective health, whereas in super-aged areas, nutrition label reading showed a stronger association. The negative impact of hypertension and diabetes on subjective health was more pronounced in super-aged areas. Conclusions: Although key determinants of subjective health were similar across regions, regional differences underscore the importance of tailored public health strategies. Interventions that strengthen health literacy and provide nutrition education focused on disease-related nutrients may help mitigate disparities and enhance subjective health among older adults in aging and super-aged areas.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».