Impact of incarceration on cardiovascular disease risk factors: a systematic review and meta-regression on weight and BMI change
Notice bibliographique
Résumé
OBJECTIVE: Cardiovascular disease is an underappreciated issue in prison medicine. Recent studies have revealed a higher prevalence of cardiovascular disease risk factors (CVDRFs) among individuals in prison, but the impact of incarceration on CVDRFs over time is not well understood. This review aimed to assess available literature and quantify the relationship between incarceration and trends in major CVDRFs in high-income countries. DESIGN: Systematic review following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses statement. Meta-regression on weight change and obesity. DATA SOURCES: Medline, Embase, PubMed, Cochrane Central Wiley and Web of Science. ELIGIBILITY CRITERIA FOR SELECTING STUDIES: Longitudinal studies reporting on the incidence of, or trends in any CVDRF among current or former people in prison over time, in high-income countries. DATA EXTRACTION AND SYNTHESIS: Two authors independently screened articles for eligibility, extracted data and assessed quality using an adapted version of the Newcastle-Ottawa Scale. Trends in CVDRFs during and following incarceration were summarised and in those with sufficient data a meta-regression was performed. RESULTS: (95% CI -0.9 to 4.6) at 2 years. Weight gain appeared most pronounced right after entering prison and then plateaued at 2 years. Concerning hypertension, the results were inconclusive, despite a trend towards rising blood pressure or prevalence of hypertension during incarceration, and an increased incidence of hypertension following incarceration. Results are contradictory or inconclusive for the other CVDRFs reviewed. CONCLUSION: Possible explanations for the association between incarceration and weight include a sedentary lifestyle, unhealthy diet, forced smoking cessation, psychotropic medication use and high levels of stress. Incarceration may be an independent risk factor for cardiovascular disease.
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 | 0,017 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,049 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».