Modelling preventive effectiveness to estimate the equity tipping point: at what coverage can individual preventive interventions reduce socioeconomic disparities in diabetes risk?
Notice bibliographique
Résumé
INTRODUCTION: Most individual preventive therapies potentially narrow or widen health disparities depending on the difference in community effectiveness across socioeconomic position (SEP). The equity tipping point (defined as the point at which health disparities become larger) can be calculated by varying components of community effectiveness such as baseline risk of disease, intervention coverage and/or intervention efficacy across SEP. METHODS: We used a simple modelling approach to estimate the community effectiveness of diabetes prevention across SEP in Canada under different scenarios of intervention coverage. RESULTS: Five-year baseline diabetes risk differed between the lowest and highest income groups by 1.76%. Assuming complete coverage across all income groups, the difference was reduced to 0.90% (144 000 cases prevented) with lifestyle interventions and 1.24% (88 100 cases prevented) with pharmacotherapy. The equity tipping point was estimated to be a coverage difference of 30% for preventive interventions (100% and 70% coverage among the highest and lowest income earners, respectively). CONCLUSION: Disparities in diabetes risk could be measurably reduced if existing interventions were equally adopted across SEP. However, disparities in coverage could lead to increased inequity in risk. Simple modelling approaches can be used to examine the community effectiveness of individual preventive interventions and their potential to reduce (or increase) disparities. The equity tipping point can be used as a critical threshold for disparities analyses.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».