MétaCan
Menu
← Retour à la cohorte
Enregistrement W3094544992 · doi:10.1101/2020.10.16.20214148

Vascular Risk Factor Prevalence and Trends in Native Americans With Ischemic Stroke - A National Inpatient Sample Analysis

2020· preprint· en· W3094544992 sur OpenAlexaff
Dinesh Jillella, Sara Crawford, Rocío López, Atif Zafar, Anne Tang, Ken Uchino

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueAcute Ischemic Stroke Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesCleveland Clinic
Mots-clésMedicineEthnic groupDemographyStroke (engine)Incidence (geometry)Pacific islandersDiabetes mellitusIschemic strokeRisk factorGerontologyInternal medicineEnvironmental healthPopulationIschemia

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Native Americans have a higher incidence and prevalence of stroke and the highest stroke-related mortality among race-ethnic groups in the United States. We aimed to analyze trends in the prevalence of vascular risk factors among Native Americans with ischemic stroke over the last two decades along with a comparison to the other race-ethnic groups. Methods National/Nationwide Inpatient Sample (NIS) database was used to explore the prevalence of risk factors among hospitalized ischemic stroke patients during 2000 - 2016. Ischemic stroke and risk factors of interest were identified using validated ICD-9/10 codes. The race-ethnic groups of interest were Native American, White, Black, Hispanic, Asian/Pacific Islanders, and others. Crude and age-and sex-standardized prevalence estimates were calculated for each risk factor within each race-ethnic group in 6 time periods: 2000-02, 2003-05, 2006-08, 2009-11, 2012-14, and 2015-16. We explored linear trends over the defined time periods using linear regression models, with differences in trends between the Native American group and each of the other race-ethnic groups assessed using interaction terms. The analysis accounted for the complex sampling design, including hospital clusters, NIS stratum, and trend weights for analyzing multiple years of NIS data. Results Of the 1,278,784 ischemic stroke patients that were included in the analysis, Native Americans constituted 5472. The age-and-sex-standardized prevalence of hypertension (trend slope = 2.24, p < 0.001), hyperlipidemia (trend slope = 6.29, p < 0.001), diabetes (trend slope = 2.04, p = 0.005), atrial fibrillation/flutter (trend slope = 0.80, p = 0.011), heart failure (trend slope = 0.73, p = 0.036) smoking (trend slope = 3.65, p < 0.001), and alcohol (slope = 0.60, p = 0.019) increased during these time periods among Native Americans, while coronary artery disease prevalence remained unchanged. Similar upward trends of several risk factors were noted across other race-ethnic groups with Native Americans showing larger increases in hypertension prevalence compared to Blacks, Hispanics, and Asian/Pacific Islanders and in smoking prevalence compared to Hispanics and Asian/Pacific Islanders. By the year 2015-2016, Native Americans had the highest overall prevalence of diabetes, coronary artery disease, smoking, and alcohol among all the race-ethnic groups. Conclusion The prevalence of most vascular risk factors among ischemic stroke patients has increased in Native Americans and other race-ethnic groups over the last two decades. Significantly larger increases in the prevalence of hypertension and smoking were seen in Native Americans compared to other groups along with them having the highest prevalence in multiple risk factors in recent years.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,284
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetAcute Ischemic Stroke Management→Travaux en français237 207→