MétaCan
Menu
Back to cohort
Record W7008912499

Composición del gasto de bolsillo en el sistema de salud del Paraguay

2017· article· es· W7008912499 on OpenAlexaboutno aff

Bibliographic record

VenueDOAJ (DOAJ: Directory of Open Access Journals) · 2017
Typearticle
Languagees
FieldEconomics, Econometrics and Finance
TopicHealthcare Systems and Reforms
Canadian institutionsnot available
Fundersnot available
KeywordsLatin AmericansQuarter (Canadian coin)Productivity
DOInot available

Abstract

fetched live from OpenAlex

La protección financiera de la población, con equidad, es un objetivo del sistema de salud. Sin embargo, numerosas personas enfermas incurren en gasto de bolsillo (GBS) para obtener atención, situación que es inequitativa. El objetivo de este artículo fue analizar la composición del GBS, su magnitud y distribución en la población general y pobre. Como metodología se analizó el módulo de salud de la Encuesta Permanente de Hogares del 2014. La población que incurrió en GBS fue el 75,1% de la población enferma, 75,8% para los no pobres, 73,3% para los pobres no extremos y 73,0% para los pobres extremos. El GBS promedio fue de 54,5 USD; 63,3 USD para los no pobres; 26,2 USD para los pobres no extremos y 30,4 USD para los pobres extremos. El 53% del GBS fue por pagos por medicamentos, 22,6% debido a estudios de diagnóstico, 18,7% por hospitalizaciones y 5,7% por consultas. La proporción de GBS por compra de medicamentos fue mayor entre los pobres: 72,3% para los pobres extremos y 68,6% para los pobres no extremos. Si bien el GBS se acumuló 87% entre los no pobres la relación de los precios promedios sobre el ingreso promedio fue más elevado entre los pobres: 95,8% para los pobres extremos, 40,7% para los pobres no extremos y 21,4% para los no pobres, pero los gastos por hospitalizaciones pueden superar el ingreso total. Los resultados señalan inequidad en el financiamiento del sistema de salud paraguayo.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.007
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Scholarly communication, Open science, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.048
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0070.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0030.001
Bibliometrics0.0010.000
Science and technology studies0.0020.000
Scholarly communication0.0050.003
Open science0.0060.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0020.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.265
GPT teacher head0.545
Teacher spread0.279 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2017
Admission routes1
Has abstractyes

Explore more

Same venueDOAJ (DOAJ: Directory of Open Access Journals)Same topicHealthcare Systems and ReformsFrench-language works237,207