హెల్త్ కేర్ కమ్యూనికేషన్స్ జర్నల్ అందరికి ప్రవేశం

నైరూప్య

సాధారణ సామాజిక-జనాభా డేటా నుండి సూచనాత్మక ఆరోగ్య అక్షరాస్యతను పొందేందుకు ఒక పద్ధతిని అభివృద్ధి చేయడం

కరిన్ ఆర్ లార్సెన్, పాల్ టి సీడ్, జోవాన్ ప్రోథెరో, మైఖేల్ ఎస్ వోల్ఫ్, గిలియన్ పి రోలాండ్స్.

సందర్భం: తక్కువ ఆరోగ్య అక్షరాస్యత (HL) అనేది ప్రజారోగ్య సమస్య, ఇది జనాభా ఆరోగ్యం మరియు అనారోగ్యంపై ప్రభావం చూపుతుంది, అయితే పెద్ద జనాభాలో ఆరోగ్య అక్షరాస్యత డేటాను సేకరించడానికి కొన్ని సాధనాలు ఉన్నాయి.

లక్ష్యం: మామూలుగా సేకరించిన సామాజిక-జనాభా డేటా నుండి సూచిక ఫంక్షనల్ HL స్థాయిలను పొందే పద్ధతిని అభివృద్ధి చేయడం.

విధానం: ఒక వ్యక్తి నిర్మిత HL సామర్థ్య థ్రెషోల్డ్‌ కంటే ఎక్కువగా ఉన్నాడా లేదా అనేదానిని ఏ సామాజిక-జనాభా చరరాశులు ఉత్తమంగా వర్ణిస్తాయో మేము పరిశోధించాము. వెయిటెడ్ లాజిస్టిక్ రిగ్రెషన్ బేసి నిష్పత్తులను థ్రెషోల్డ్ కంటే తక్కువగా అంచనా వేయడానికి ఉపయోగించబడింది. వెయిటెడ్ రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ (ROC) విశ్లేషణ ఏ వేరియబుల్స్ తక్కువ హెచ్‌ఎల్‌ని ఉత్తమంగా అంచనా వేసింది. ROC (AU) కింద ఉన్న విశిష్టత, సున్నితత్వం మరియు ప్రాంతం ప్రమాదాన్ని అంచనా వేయగల సామర్థ్యానికి వివరణలు.

ఫలితాలు: మూడు నమూనాలు అభివృద్ధి చేయబడ్డాయి; మొత్తం తొమ్మిది వేరియబుల్స్ ఉపయోగించి ఒకటి; నాలుగు అత్యంత ప్రిడిక్టివ్ వేరియబుల్స్ (అర్హత (వ్యక్తి 16 సంవత్సరాల వయస్సులో ఆశించిన స్థాయిని సాధించాడో లేదో), జాతి, ఇంటి యాజమాన్యం మరియు ఏరియా లేమిని ఉపయోగించి ఒక ఆచరణాత్మక నమూనా; మరియు ఒక "అర్హత" (ఒకే మోస్ట్ ప్రిడిక్టివ్ వేరియబుల్) మాత్రమే ఉపయోగిస్తున్నారు. అన్ని మోడల్‌లు తక్కువ HL (AUROC 0.73 (95% CI 0.71; 0.74) నుండి 0.78 (95% CI 0.76; 0.79) వరకు మంచి అంచనాను చూపించాయి, మరింత సంక్లిష్టమైన మోడళ్లతో అంచనా శక్తి పెరుగుతుంది.

ముగింపు: తక్కువ HL యొక్క అతి ముఖ్యమైన అంచనా ఏమిటంటే 16 సంవత్సరాల వయస్సులోపు అంచనా వేయబడిన అర్హత స్థాయిని సాధించడం, అదనపు వేరియబుల్స్ మరింత అంచనా శక్తిని జోడిస్తాయి. సాధారణంగా సేకరించిన సామాజిక-జనాభా డేటా నుండి జనాభాలో ఫంక్షనల్ హెచ్‌ఎల్ స్థాయిలను అంచనా వేయడానికి అభివృద్ధి చెందిన సూత్రాలు ఉపయోగించబడతాయి మరియు అందువల్ల ప్రజారోగ్య సమాచార ప్రసారాల సమర్థవంతమైన అభివృద్ధి మరియు లక్ష్యాన్ని సులభతరం చేస్తాయి. ఇతర పారిశ్రామిక దేశాలలో సూత్రాలను రూపొందించే పద్ధతి వర్తిస్తుంది.