Abstract 14107: Racial and Income Inequities in Cardiovascular Disease in Cancer versus Non-Cancer Patients: Propensity Score and Machine Learning Augmented Nationally Representative Case-Control Study of Mortality and Cost Among 30 Million Hospitalizations
Notice bibliographique
Résumé
Introduction: We conducted the first known nationally representative propensity score analysis of racial and income inequities in cardiovascular disease (CVD) for patients with and without active cancer. Methods: Propensity score adjusted and backward propagation neural network machine learning augmented multivariable regression was performed by race and income (and their interaction) for the above outcomes in this case-control study of the United States’ largest and first ICD10-coded all-payer hospitalized dataset, the 2016 National Inpatient Sample (NIS). Models were stratified by active cancer and CVD (defined by the 2021 WHO). Results: Of the 30,195,722 adult hospitalized patients, 25.64% had CVD, and 7.11% had active cancer. In fully adjusted regression among patients without cancer, Hispanic (OR 1.34, 95%CI 1.03-1.25; p=0.012) and Asian (OR 1.22; 95%CI 1.11-1.34; p<0.001) had significantly increased mortality compared to Caucasian patients as did the lowest (OR 1.11; 95%CI 1.07-1.15; p<0.001) and second lowest (OR 1.05; 95%CI 1.01-1.08; p=0.006) income quartiles compared to the highest. Among patients with cancer, similar significant racial inequities were noted but without income disparities. Mortality was not significantly increased by the interaction in either strata. Among patients without cancer, Hispanics ($14,196.68; 95%CI 12,887.86-15,505.51; p<0.001) and Asians ($19,377.06; 95%CI 17,939.38-20,814.74; p<0.001) had significantly increased costs compared to Caucasians; African American, Hispanic, and Asian patients in the lowest and second lowest income quartiles had significantly increased costs compared to Caucasians in the highest quartile. Patients with cancer had comparable cost inequities by race but not by income or the interaction. Conclusions: This nationally representative study suggests that significant income and racial inequities exist in inpatient mortality and cost among patients with CVD, though these disparities are less pronounced among cancer versus non-cancer patients.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».