A Role of Socioeconomic Status in Cognitive Impairment Among Older Adults in Macau: A Decomposition Approach
Notice bibliographique
Résumé
BACKGROUND: To explore the prevalence and inequality of cognitive impairment among older adults in Macau and the contributions of influencing factors to inequality in cognitive impairment. METHODS: The Montreal Cognitive Assessment (MoCA) was used to measure the prevalence of cognitive impairment. Socioeconomic status scores were used to describe economic level of the subjects. The concentration index was applied to measure the inequality of cognitive impairment associated with socioeconomic status (SES) and decomposed into its influencing factors. RESULTS: The prevalence of cognitive impairment was 44.35% in Macau. The concentration index of cognitive impairment among the elderly was -0.165 (95% CI: -0.232 to -0.098), indicating that the prevalence of cognitive impairment was concentrated in households with poor SES. Older age, poor SES, long or short sleep duration, other marital status, poor appetite, no tea/coffee drinking, no religious belief, and depression contributed positively to the inequality of cognitive impairment. Among these factors, SES made the largest contribution to inequality, accounting for 76.74%. CONCLUSION: In Macau, the prevalence of cognitive impairment among people aged 65 years and older is concentrated among those who are in poor economic conditions. Reducing the gap between the rich and the poor at the source, increasing educational level of low SES population and improving their access to healthcare services will help to improve the inequity of cognitive impairment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».