Beyond Black vs White: racial/ethnic disparities in chronic pain including Hispanic, Asian, Native American, and multiracial US adults
Notice bibliographique
Résumé
ABSTRACT: Previous literature on race/ethnicity and pain has rarely included all major US racial groups or examined the sensitivity of findings to different pain operationalizations. Using data from the 2010 to 2018 National Health Interview Surveys on adults 18 years or older (N = 273,972), we calculated the weighted prevalence of 6 definitions of pain to provide a detailed description of chronic pain in White, Black, Hispanic, Asian, Native American, and multiracial groups. We also estimated modified Poisson models to obtain relative disparities, net of demographic and socioeconomic (SES) factors including educational attainment, family income, and home ownership; finally, we calculated average predicted probabilities to show prevalence disparities in absolute terms. We found that Asian Americans showed the lowest pain prevalence across all pain definitions and model specifications. By contrast, Native American and multiracial adults had the highest pain prevalence. This excess pain was due to the lower SES among Native Americans but remained significant and unexplained among multiracial adults. The pain prevalence in White, Black, and Hispanic adults fell in between the 2 extremes. In this trio, Hispanics showed the lowest prevalence, an advantage not attributable to immigrant status or SES. Although most previous research focuses on Black-White comparisons, these 2 groups differ relatively little. Blacks report lower prevalence of less severe pain definitions than Whites but slightly higher prevalence of severe pain. Net of SES, however, Blacks experienced significantly lower pain across all definitions. Overall, racial disparities are larger than previously recognized once all major racial groups are included, and these disparities are largely consistent across different operationalizations of pain.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».