P3410Variations in socioeconomic status and cardiovascular disease: risk factors,incidence and case fatality. Rates and management in 20 countries
Notice bibliographique
Résumé
Background: It is not known whether associations between low socioeconomic status (SES) and cardiovascular disease (CVD) documented in high-income countries are also observed in low- and middle-income countries. Further, the reasons for gradients in CVD with respect to SES remain inadequately understood. Purpose: To investigate associations between SES (education and household wealth) and CVD and mortality across 20 low-, middle-, and high-income countries. Methods: SES (education and household wealth) was documented in 154,169 individuals from 5 low-, 11 middle-, and 4 high-income countries, who were followed for a mean of 6.9 years with respect to mortality and CVD events (CVD death, myocardial infarction, stroke and heart failure) and whether risk factors (INTERHEART risk score), and prevention and treatment of CVD paralleled these variations Findings: Education and wealth were both inversely related to mortality with the former being the stronger predictor, whereas education but not wealth predicted CVD incidence. The hazard ratio (HR) for major CVD associated with low versus high education, after adjustment for wealth and other factors, increased from being non-significant in high-income countries (HR 1.23 (0.96–1.58), intermediate in middle-income countries (HR 1.59 (1.42–1.78) and marked in low-income countries (HR 2.23 (1.79–2.77) (p for interaction<0.0001). Patterns were similar for mortality, with corresponding HRs 1.50 (1.14–1.98), 1.80 (1.58–2.06), and 2.76 (2.29–3.31) (p for interaction<0.0001). CVD risk factors, on the other hand, were lower in those with the highest, compared to the lowest, education in high-income countries, but lowest among the least educated in low-income countries (p for interaction<0.0001). The odds ratio for the 28-day case fatality after major CVD events among those with the lowest compared to the highest education was greatest in low-income countries (OR=2.23 (1.4–3.4)), intermediate in middle-income countries (1.90 (1.4–2.7)) and non-significant in high-income countries (0.66 (0.2–1.9)). Intensities of management of hypertension and diabetes treatment and secondary prevention were lower in people with the lowest, compared to the highest education in low-income countries, whereas there were lesser differences in middle-income countries and no differences in high-income countries.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».