Associations of Socioeconomic Status and Rurality With New-Onset Cardiovascular Disease in Cancer Survivors: A Population-Based Analysis
Notice bibliographique
Résumé
PURPOSE: Patients with cancer are predisposed to develop new-onset cardiovascular disease (CVD). We aimed to assess if rural residence and low socioeconomic status modify such a risk. METHODS: Patients diagnosed with solid organ cancers without any baseline CVD and on a follow-up of at least 1 year in a large Canadian province from 2004 to 2017 were identified using the population-based registry. We performed logistic regression analyses to examine the associations of rural residence and low socioeconomic status with the development of CVD. RESULTS: We identified 81,418 patients eligible for the analysis. The median age was 62 years, and 54.3% were women. At a median follow-up of 68 months, 29.4% were diagnosed with new CVD. The median time from cancer diagnosis to CVD diagnosis was 29 months. Rural patients (32.3% v 28.5%; P < .001) and those with low income (30.4% v 25.9%; P < .001) or low educational attainment (30.7% v 27.6%; P < .001) experienced higher rates of CVD. After adjusting for baseline factors and treatment, rural residence (odds ratio [OR], 1.07; 95% CI, 1.04 to 1.11; P < .001), low income (OR, 1.17; 95% CI, 1.12 to 1.21; P < .001), and low education (OR, 1.08; 95% CI, 1.04 to 1.11; P < .001) continued to be associated with higher odds of CVD. A multivariate Cox regression model showed that patients with low socioeconomic status were more likely to die, but patients residing rurally were not. CONCLUSION: Despite universal health care, marginalized populations experience different CVD risk profiles that should be considered when operationalizing lifestyle modification strategies and cardiac surveillance programs for the growing number of cancer survivors.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».