Ethnic differences in the use of prescription drugs: a cross-sectional analysis of linked survey and administrative data.
Notice bibliographique
Résumé
BACKGROUND: Evidence from the United States and Europe suggests that the use of prescription drugs may vary by ethnicity. In Canada, ethnic disparities in prescription drug use have not been as well documented as disparities in the use of medical and hospital care. We conducted a cross-sectional analysis of survey and administrative data to examine needs-adjusted rates of prescription drug use by people of different ethnic groups. METHODS: For 19 370 non-Aboriginal people living in urban areas of British Columbia, we linked data on self-identified ethnicity from the Canadian Community Health Survey with administrative data describing all filled prescriptions and use of medical services in 2005. We used sex-stratified multivariable logistic regression analysis to measure differences in the likelihood of filling prescriptions by drug class (antihypertensives, oral antibiotics, antidepressants, statins, respiratory drugs and nonsteroidal anti-inflammatory drugs [NSAIDs]). Models were adjusted for age, general health status, treatment-specific health status, socio-economic factors and recent immigration (within 10 years). RESULTS: We found evidence of significant needs-adjusted variation in prescription drug use by ethnicity. Compared with women and men who identified themselves as white, those who were South Asian or of mixed ethnicity were almost as likely to fill prescriptions for most types of medicines studied; moreover, South Asian men were more likely than white men to fill prescriptions for antibiotics and NSAIDs. The clearest pattern of use emerged among Chinese participants: Chinese women were significantly less likely to fill prescriptions for antihypertensives, antibiotics, antidepressants and respiratory drugs, and Chinese men for antidepressant drugs and statins. INTERPRETATION: We found some disparities in prescription drug use in the study population according to ethnic group. The nature of some of these variations suggest that ethnic differences in beliefs about pharmaceuticals may generate differences in prescription drug use; other variations suggest that there may be clinically important disparities in treatment use.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».