Associations between multiple long-term conditions and mortality in diverse ethnic groups
Notice bibliographique
Résumé
Abstract Background Multiple conditions are more prevalent in some minoritised ethnic groups and are associated with higher mortality rate but studies examining differential mortality once conditions are established is US-based. Our study tested whether the association between multiple conditions and mortality varies across ethnic groups in England. Methods and Findings A random sample of primary care patients from Clinical Practice Research Datalink (CPRD) was followed from 1 st January 2015 until 31 st December 2019. Ethnicity, usually self-ascribed, was obtained from primary care records if present or from hospital records. Cox regression models were used to estimate mortality by number of long-term conditions, ethnicity and their interaction, with adjustment for age and sex for 532,059 patients with complete data. During five years of follow-up, 5.9% of patients died. Each additional long-term condition at baseline was associated with increased mortality. This association differed across ethnic groups. Compared with 50-year-olds of white ethnicity with no conditions, the mortality rate was higher for white 50-year-olds with two conditions (HR 1.77) or four conditions (HR 3.13). Corresponding figures were higher for 50-year-olds of Black Caribbean ethnicity with two conditions (HR=2.22) or four conditions (HR 4.54). The direction of the interaction of number of conditions with ethnicity showed higher mortality associated with long-term conditions in nine out of ten minoritised ethnic groups, attaining statistical significance in four (Pakistani, Black African, Black Caribbean and Black other ethnic groups). Conclusions The raised mortality rate associated with having multiple conditions is greater in minoritised ethnic groups compared with white people. Research is now needed to identify factors that contribute to these inequalities. Within the health care setting, there may be opportunities to target clinical and self-management support for people with multiple conditions from minoritised ethnic groups.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».