Indicadores socioeconómicos de área pequeña en el estudio de las desigualdades en salud
Bibliographic record
Abstract
Objetivo: Valorar si dos indicadores socioeconómicos (uno simple y otro compuesto) elaborados en el ámbito de sección censal permiten detectar desigualdades sociales en salud. Métodos: De la Encuesta de Salud de Barcelona de 1992 (ESB92) se han considerado el estado de salud percibido, la presencia de trastornos crónicos, el consumo de tabaco y la realización de una citologÃa cervical preventiva, asà como el nivel de estudios y la clase social. A partir del censo de 1991, como indicadores socioeconómicos de área se han calculado el porcentaje de desempleo y un Ãndice de privación en las secciones censales. Se analiza la asociación entre las medidas socioeconómicas de área e individuales y la asociación de ambas con las variables de salud. Resultados: Existe una clara asociación positiva entre las medidas socioeconómicas de área pequeña y las individuales y, en general, con ambas se han observado similares efectos en diversos aspectos relacionados con la salud, tanto en varones como en mujeres. Con la mayorÃa de las variables analizadas, las diferencias son superiores con el Ãndice de privación que con el desempleo. AsÃ, en los varones la odds ratio ajustada por edad (ORa) de tener un estado de salud regular, malo o muy malo es de 2,0 (intervalo de confianza [IC] del 95%, 1,4-2,9) en el cuartil más desfavorable de desempleo; en relación con el menos desfavorable y con el Ãndice de privación, la ORa es de 2,7 (IC del 95%, 1,9-3,9), y en las mujeres las ORa son, respectivamente, de 1,8 (IC del 95%, 1,4-2,4) y 2,4 (IC del 95%, 1,8-3,2). Conclusiones: La clasificación por la situación socioeconómica del área de residencia, como la que permite el censo español, se puede aplicar a todos los miembros de una población y es útil para detectar las desigualdades sociales en salud.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
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".