Clinical and medication profiles stratified by household income in patients referred for diabetes care
Notice bibliographique
Résumé
BACKGROUND: Low income individuals with diabetes are at particularly high risk for poor health outcomes. While specialized diabetes care may help reduce this risk, it is not currently known whether there are significant clinical differences across income groups at the time of referral. The objective of this study is to determine if the clinical profiles and medication use of patients referred for diabetes care differ across income quintiles. METHODS: This cross-sectional study was conducted using a Canadian, urban, Diabetes Education Centre (DEC) database. Clinical information on the 4687 patients referred to the DEC from May 2000 - January 2002 was examined. These data were merged with 2001 Canadian census data on income. Potential differences in continuous clinical parameters across income quintiles were examined using regression models. Differences in medication use were examined using Chi square analyses. RESULTS: Multivariate regression analysis indicated that income was negatively associated with BMI (p < 0.0005) and age (p = 0.023) at time of referral. The highest income quintiles were found to have lower serum triglycerides (p = 0.011) and higher HDL-c (p = 0.008) at time of referral. No significant differences were found in HBA1C, LDL-c or duration of diabetes. The Chi square analysis of medication use revealed that despite no significant differences in HBA1C, the lowest income quintiles used more metformin (p = 0.001) and sulfonylureas (p < 0.0005) than the wealthy. Use of other therapies were similar across income groups, including lipid lowering medications. High income patients were more likely to be treated with diet alone (p < 0.0005). CONCLUSION: Our findings demonstrate that low income patients present to diabetes clinic older, heavier and with a more atherogenic lipid profile than do high income patients. Overall medication use was higher among the lower income group suggesting that differences in clinical profiles are not the result of under-treatment, thus invoking lifestyle factors as potential contributors to these findings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».