Disparities in adherence to diabetes screening guidelines among males and females in a universal care setting: A population-based study of 1,380,697 adults
Notice bibliographique
Résumé
Background: National guidelines recommend that all adults over the age of 40 years undergo screening for diabetes at least once every 3-years. We examined the adherence to these guidelines among males and females after accounting for age, urban/rural residence, and material deprivation. We also examined the incidence of prediabetes and diabetes in adherent and non-adherent individuals. Methods: Our study is based on a retrospective population-level inception cohort of adults aged 40-79 years without pre-existing diabetes or cardiovascular disease on April 1, 2013. Adherence during a 3-year screening period (2013-2016) and prediabetes and diabetes during a 4-year follow-up period were examined. Multivariate logistic regression was used to examine the adjusted association between sex and adherence. Findings: Among 1,380,697 individuals (49·2% male, 50·8% female) adherence rates were 69·9% in males and 79·8% in females. Sex-differences in adherence were largest in younger individuals (58·0% and 72·6% and in males and females aged 40-44 years, respectively) and consistent across rural/urban residence and material deprivation. Females were more adherent (adjusted odds ratio 1·92; 95% confidence interval 1·89 to 1·95) than males. Prediabetes and diabetes rates among individuals who adhered to screening guidelines were 15·7% and 2·6% among males and 13·4% and 1·5% among females. During the follow-up period, an additional 3·2% and 1·9% of adherent males and females had diabetes. Incidence rates of prediabetes and diabetes during the follow-up period among individuals who did not adhere to screening guidelines were 8·8% and 2·1% among males and 7·3% and 1·3% among females. Interpretation: Adherence to diabetes screening guidelines is sub-optimal, especially among young males. Despite lower rates of adherence to screening, males have higher rates of prediabetes and diabetes compared to females. There is a need for education campaigns to improve diabetes screening rates in young adults, especially males. Funding: This study was funded by the Canadian Institutes of Health Research Sex and Gender Science Chair (Recipient: Kaul).
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) | 0,001 | 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 | 0,000 |
| 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 ».