Geographical variation and clustering are found in atrial fibrillation beyond socioeconomic differences: a Danish cohort study, 1987–2015
Notice bibliographique
Résumé
BACKGROUND: The prevalence and incidence rate of atrial fibrillation (AF) increase worldwide and AF is a risk factor for more adverse cardiovascular diseases including stroke. Approximately 44% of AF cases cannot be explained by common individual risk factors and risk might therefore also be related to the environment. By studying geographical variation and clustering in risk of incident AF adjusted for socioeconomic position at an individual level, potential neighbourhood risk factors could be revealed. METHODS: Initially, yearly AF incidence rates 1987-2015 were estimated overall and stratified by income in a register-based cohort study. To examine geographical variation and clustering in AF, we used both spatial scan statistics and a hierarchical Bayesian Poisson regression analysis of AF incidence rates with random effect of municipalities (n = 98) in Denmark in 2011-2015. RESULTS: The 1987-2015 cohort included 5,453,639 individuals whereof 369,800 were diagnosed with an incident AF. AF incidence rate increased from 174 to 576 per 100,000 person-years from 1987 to 2015. Inequality in AF incidence rate ratio between highest and lowest income groups increased from 23% in 1987 to 38% in 2015. We found clustering and geographical variation in AF incidence rates, with incidence rates at municipality level being up to 34% higher than the country mean after adjusting for socioeconomic position. CONCLUSIONS: Geographical variations and clustering in AF incidence rates exist. Compared to previous studies from Alberta, Canada and the United States, we show that geographical variations exist in a country with free access to healthcare and even when accounting for socioeconomic differences at an individual level. An increasing social inequality in AF was seen from 1987 to 2015. Therefore, when planning prevention strategies, attention to individuals with low income should be given. Further studies focusing on identification of neighbourhood risk factors for AF are needed.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».