Trends in Educational Inequalities in Drug Poisoning Mortality: United States, 1994–2010
Notice bibliographique
Résumé
OBJECTIVES: We estimated trends in drug poisoning death rates by educational attainment and investigated educational inequalities in drug poisoning mortality by race, gender, and region. METHODS: We linked drug poisoning death counts from the National Vital Statistics System to population denominators from the Current Population Survey to estimate drug poisoning rates by gender, race, region, and educational attainment (less than high school degree, high school degree, some college, college degree) from 1994 to 2010. RESULTS: There were 372,485 drug poisoning deaths. Education-related inequalities increased during the study among all demographic groups and varied by region. Absolute increases in educational inequalities were higher among Whites than Blacks and men than women. The age-adjusted rate difference between White men with less than a high school degree increased from 8.7 per 100,000 in 1994 to 27.4 in 2010 (change = 18.7). Among Black men, the corresponding increases were 11.7 and 18.3, respectively (change = 6.6). CONCLUSIONS: We found strong educational patterning in drug poisoning rates, chiefly by region and race. Rates are highest and increasing the fastest among groups with less education.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».