Contrasting Associations Between Diabetes and Cardiovascular Mortality Rates in Low-, Middle-, and High-Income Countries: Cohort Study Data From 143,567 Individuals in 21 Countries in the PURE Study
Notice bibliographique
Résumé
OBJECTIVE We aimed to compare cardiovascular (CV) events, all-cause mortality, and CV mortality rates among adults with and without diabetes in countries with differing levels of income. RESEARCH DESIGN AND METHODS The Prospective Urban Rural Epidemiology (PURE) study enrolled 143,567 adults aged 35–70 years from 4 high-income countries (HIC), 12 middle-income countries (MIC), and 5 low-income countries (LIC). The mean follow-up was 9.0 ± 3.0 years. RESULTS Among those with diabetes, CVD rates (LIC 10.3, MIC 9.2, HIC 8.3 per 1,000 person-years, P < 0.001), all-cause mortality (LIC 13.8, MIC 7.2, HIC 4.2 per 1,000 person-years, P < 0.001), and CV mortality (LIC 5.7, MIC 2.2, HIC 1.0 per 1,000 person-years, P < 0.001) were considerably higher in LIC compared with MIC and HIC. Within LIC, mortality was higher in those in the lowest tertile of wealth index (low 14.7%, middle 10.8%, and high 6.5%). In contrast to HIC and MIC, the increased CV mortality in those with diabetes in LIC remained unchanged even after adjustment for behavioral risk factors and treatments (hazard ratio [95% CI] 1.89 [1.58–2.27] to 1.78 [1.36–2.34]). CONCLUSIONS CVD rates, all-cause mortality, and CV mortality were markedly higher among those with diabetes in LIC compared with MIC and HIC with mortality risk remaining unchanged even after adjustment for risk factors and treatments. There is an urgent need to improve access to care to those with diabetes in LIC to reduce the excess mortality rates, particularly among those in the poorer strata of society.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».