Race and Ethnic Disparities in Stroke Incidence in the Northern Manhattan Study
Notice bibliographique
Résumé
Background and Purpose- An excess incidence of strokes among blacks versus whites has been shown, but data on disparities related to Hispanic ethnicity remain limited. This study examines race/ethnic differences in stroke incidence in the multiethnic, largely Caribbean Hispanic, NOMAS (Northern Manhattan Study), and whether disparities vary by age. Methods- The study population included participants in the prospective population-based NOMAS, followed for a mean of 14±7 years. Multivariable-adjusted Cox proportional hazards models were constructed to estimate the association between race/ethnicity and incident stroke of any subtype and ischemic stroke, stratified by age. Results- Among 3298 participants (mean baseline age 69±10 years, 37% men, 24% black, 21% white, 52% Hispanic), 460 incident strokes accrued (400 ischemic, 43 intracerebral hemorrhage, 9 subarachnoid hemorrhage). The most common ischemic subtype was cardioembolic, followed by lacunar infarcts, then cryptogenic. The greatest incidence rate was observed in blacks (13/1000 person-years), followed by Hispanics (10/1000 person-years), and lowest in whites (9/1000 person-years), and this order was observed for crude incidence rates until age 75. By age 85, the greatest incidence rate was in Hispanics. Blacks had an increased risk of stroke versus whites overall in multivariable models that included sociodemographics (hazard ratio, 1.51 [95% CI, 1.13-2.02]), and stratified analyses showed that this disparity was driven by women of age ≥70. The increased rate of stroke among Hispanics (age/sex-adjusted hazard ratio, 1.48 [95% CI, 1.13-1.93]) was largely explained by education and insurance status (a proxy for socieoeconomic status; hazard ratio after further adjusting for these variables, 1.17 [95% CI, 0.85-1.62]) but remained significant for women age ≥70. Conclusions- This study provides novel data regarding the increased stroke risk among Caribbean Hispanics in this elderly population. Results highlight the need to create culturally tailored campaigns to reach black and Hispanic populations to reduce race/ethnic stroke disparities and support the important role of low socioeconomic status in driving an elevated risk among Caribbean Hispanics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».