Would Achieving Healthy People 2010’s Targets Reduce Both Population Levels and Social Disparities in Heart Disease?
Notice bibliographique
Résumé
BACKGROUND: The US Healthy People 2010 (HP2010) agenda set targets for major risk factors for coronary heart disease (CHD). However, the potential impact of achieving those risk factor reductions on both population levels and social disparities in CHD has not been quantified. METHODS AND RESULTS: Data on 10-year risk of CHD (from the First National Health and Nutrition Examination Epidemiological Follow-Up study 1971 to 1982), prevalence of major CHD risk factors (from the National Health and Nutrition Examination Survey 2003 to 2004), and HP2010 targets for CHD risk factors (reduction of smoking rate to 12%, hypertension to 14%, high cholesterol levels to 17%, diabetes to 2.5%, and obesity to 15%) were used to estimate effects of different scenarios on population levels and social disparities in CHD. Over a 10-year period, the largest relative reductions in population levels of CHD (20.0% in men; 23.9% in women) would be achieved if all social groups met the HP2010 targets. CHD disparities would be most reduced if the less educated (absolute disparities reduced by 66.1% in men; 56.3% in women) and the low income group (absolute disparities reduced by 93.7% in men; 94.3% in women) achieved the targets before the most advantaged. These reductions are larger than those expected if targets were achieved overall for the population but relative social group differences in risk factors remained, or under leveling-up approaches in which the least advantaged achieved the current levels of risk factors of the most advantaged. CONCLUSIONS: Interventions to reduce CHD risk factors to HP2010 targets that focus on all social groups would produce the best overall scenario for both population levels and disparities in CHD.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».