MétaCan
Menu
Retour à la cohorte
Enregistrement W1869994439

Cardiovascular risk factors in ethnic populations within Canada: results from national cross-sectional surveys.

2010· article· en· W1869994439 sur OpenAlexaboutno aff
Richard Liu, Lawrence So, Sailesh Mohan, Nadia Khan, Kathryn King, Hude Quan

Notice bibliographique

RevuePubMed · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiovascular Health and Risk Factors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineEthnic groupCross-sectional studyDemographyPopulationBody mass indexObesityMarital statusDiseaseChronic bronchitisLogistic regressionGerontologyEnvironmental healthInternal medicinePathology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Differences in the prevalence of cardiovascular disease and associated risk factors have been noted across ethnic groups both within and between countries. The Canadian population is becoming increasingly diverse because of immigration. Understanding ethnic differences in cardiovascular risk factors is critically important in planning appropriate prevention strategies for the country's rapidly changing population. We sought to examine the prevalence of cardiovascular risk factors in various Canadian ethnic groups. METHODS: We analyzed 3 cross-sectional cycles (for 2000, 2003 and 2005) of the Canadian Community Health Survey of people aged 12 years and older. The surveys were conducted by means of self-reported questionnaires. We used stratified analysis to evaluate the relation between risk factors and ethnicity. The effect of participants' ethnicity on the prevalence of risk factors was estimated by means of logistic regression, with adjustment for differences in age, sex, marital status, education, household income, language spoken, immigration status, residency type (urban or rural), household size, region (province or territory) and chronic diseases (heart disease, stroke, cancer, bronchitis, chronic obstructive pulmonary disease, bowel disease, arthritis, epilepsy, ulcers, thyroid disease and diabetes mellitus). RESULTS: We included 371 154 individuals in the analysis. Compared with white people, people from visible minorities (i.e., neither white nor Aboriginal) had a lower prevalence of diabetes mellitus (4.5% v. 4.0%), hypertension (14.7% v. 10.8%), smoking (20.4% v. 9.7%) and obesity (defined as body mass index ≥ 30; 14.8% v. 9.7%) but a higher prevalence of physical inactivity (50.3% v. 58.1%). More specifically, after adjustment for sociodemographic characteristics, people from most visible minorities, in comparison with the white population, were less likely to smoke; were more likely to be physically inactive, with the exception of people of Korean, Japanese and Latin ethnicity; and were less likely to be obese, with the exception of people of black, Latin, Arab or West Asian ethnicity. However, relative to white people, hypertension was more prevalent among those of Filipino or South East Asian background (odds ratio [OR] 1.54, 95% confidence interval [CI] 1.23-1.93) and those of black ancestry (OR 1.69, 95% CI 1.43-2.00). INTERPRETATION: Cardiovascular risk factors vary dramatically by ethnic group. Health professionals should increase their promotion of physical activity among visible minorities and should prioritize the detection and control of diabetes and hypertension during routine contact with patients of visible minorities, particularly those of South Asian, Filipino and black ethnicity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,004
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,296
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations78
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePubMedMême sujetCardiovascular Health and Risk FactorsTravaux en français237 207