Impact of neighbourhood‐level inequity on paediatric diabetes care
Notice bibliographique
Résumé
Abstract Aims To evaluate the association between neighbourhood‐level inequity and glycaemic control in paediatric participants with Type 1 diabetes using the Neighbourhood Equity Index ( NEI ). Methods The NEI was linked to the clinical data of 519 children with diabetes followed at the Hospital for Sick Children (Toronto, Canada). The NEI is a composite measure of inequity developed using the World Health Organization's Urban Health Equity Assessment and Response Tool ( HEART ), which encompasses 15 weighted indicators evaluating economic, social, environmental and lifestyle factors. The geographic distribution of participants was determined using postal codes, and the relationship between HbA 1c and NEI was evaluated using regression and spatial analysis techniques. Results Participants’ mean HbA 1c was significantly correlated with NEI ( R = −0.24, P < 0.0001). Regression analysis demonstrated that NEI was a strong predictor of mean HbA 1c ( P < 0.0001), accounting for differences in HbA 1c as large as 1.0% (11 mmol/mol) when controlled for age, sex, diabetes duration, insulin pump therapy and number of annual clinic visits. Geo‐mapping using spatial scan testing revealed the presence of two clusters of low‐equity neighbourhoods containing 3.22 ( P = 0.001) and 2.83 ( P = 0.02) times more participants with HbA 1c ≥ 9.5% (80 mmol/mol) than expected. Conclusions Our findings demonstrated that NEI was a significant predictor of HbA 1c in our clinic population and a useful tool for investigating spatial trends related to inequities in health, providing evidence that a composite, area‐based measure of overall inequity is well suited to the study of glycaemic control in urban paediatric Type 1 diabetes populations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».