Is Traditional Chinese Medicine Use Associated with Worse Patient-reported Outcomes among Chinese American Rheumatology Patients?
Notice bibliographique
Résumé
OBJECTIVE: Chinese Americans are a fast-growing immigrant group with more severe rheumatic disease manifestations than whites and often a strong cultural preference for traditional Chinese medicine (TCM). We aimed to examine TCM use patterns and association with patient-reported outcomes (PRO) among Chinese American rheumatology patients. METHODS: Chinese Americans actively treated for systemic rheumatic diseases were recruited from urban Chinatown rheumatology clinics. Data on sociodemographics, acculturation, clinical factors, and TCM use (11 modalities) were gathered. Self-reported health status was assessed using Patient Reported Outcomes Measurement Information System (PROMIS) short forms. TCM users and nonusers were compared. Factors independently associated with TCM use were identified using multivariable logistic regression. RESULTS: Among 230 participants, median age was 57 years (range 20-97), 65% were women, 71% had ≤ high school education, 70% were on Medicaid insurance, 47% lived in the United States for ≥ 20 years, and 22% spoke English fluently. Half used TCM in the past year; these participants had worse self-reported anxiety, depression, fatigue, and ability to participate in social roles and activities compared with nonusers. In multivariable analysis, TCM use was associated with belief in TCM, female sex, ≥ 20 years of US residency, reporting Western medicine as ineffective, and shorter rheumatic disease duration. CONCLUSION: Among these Chinese American rheumatology patients, TCM users had worse PRO in many physical and mental health domains. TCM use may be a proxy for unmet therapeutic needs. Asking about TCM use could help providers identify patients with suboptimal health-related quality of life who may benefit from targeted interventions.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».