Disparities in Psychiatric Diagnosis and Treatment for Youth with Systemic Lupus Erythematosus: Analysis of a National US Medicaid Sample
Notice bibliographique
Résumé
OBJECTIVE: To estimate the national prevalence and racial/ethnic differences in psychiatric diagnoses and pharmacologic treatment in a US Medicaid beneficiary population of youth with systemic lupus erythematosus (SLE). METHODS: We included youth aged 10 to 18 years with a diagnosis of SLE (defined as ≥ 3 outpatient visit claims with an International Classification of Diseases, 9th ed. code of 710.0, each > 30 days apart) in the US Medicaid Analytic Extract database from 2006 and 2007. This database contains all inpatient and outpatient Medicaid claims from 49 states and the District of Columbia. We calculated the prevalence of psychiatric diagnoses and treatment, and used logistic regression to compare depression and anxiety diagnoses, antidepressant, and anxiolytic use among racial/ethnic groups. RESULTS: Of 970 youth with SLE, 15% were white, 42% were African American, 27% were Latino, and 16% were of other races/ethnicities. Diagnoses of depression were present for 19%, anxiety for 7%, acute stress/adjustment for 6%, and other psychiatric disorders for 18%. Twenty percent were prescribed antidepressants, 7% were prescribed anxiolytics, 6% were prescribed antipsychotics, and 5% were prescribed stimulants. In adjusted analyses, African Americans were less likely than whites to be diagnosed with depression (OR 0.56, 95% CI 0.34-0.90) or anxiety (OR 0.49, 95% CI 0.25-0.98), or to be prescribed anxiolytics (OR 0.23, 95% CI 0.11-0.48). CONCLUSION: We present population-level estimates showing high psychiatric morbidity in youth with SLE, but less prevalent diagnosis and treatment in African Americans. Mental health interventions should address potential racial/ethnic disparities in care.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».