Social Determinants of Stroke Hospitalization and Mortality in United States’ Counties
Notice bibliographique
Résumé
(1) Background: Stroke incidence and outcomes are influenced by socioeconomic status. There is a paucity of reported population-level studies regarding these determinants. The goal of this ecological analysis was to determine the county-level associations of social determinants of stroke hospitalization and death rates in the United States. (2) Methods: Publicly available data as of 9 April 2021, for the socioeconomic factors and outcomes, was extracted from the Centers for Disease Control and Prevention. The outcomes of interest were “all stroke hospitalization rates per 1000 Medicare beneficiaries” (SHR) and “all stroke death rates per 100,000 population” (SDR). We used a multivariate binomial generalized linear mixed model after converting the outcomes to binary based on their median values. (3) Results: A total of 3226 counties/county-equivalents of the states and territories in the US were analyzed. Heart disease prevalence (odds ratio, OR = 2.03, p < 0.001), blood pressure medication nonadherence (OR = 2.02, p < 0.001), age-adjusted obesity (OR = 1.24, p = 0.006), presence of hospitals with neurological services (OR = 1.9, p < 0.001), and female head of household (OR = 1.32, p = 0.021) were associated with high SHR while cost of care per capita for Medicare patients with heart disease (OR = 0.5, p < 0.01) and presence of hospitals (OR = 0.69, p < 0.025) were associated with low SHR. Median household income (OR = 0.6, p < 0.001) and park access (OR = 0.84, p = 0.016) were associated with low SDR while no college degree (OR = 1.21, p = 0.049) was associated with high SDR. (4) Conclusions: Several socioeconomic factors (e.g., education, income, female head of household) were found to be associated with stroke outcomes. Additional research is needed to investigate intermediate and potentially modifiable factors that can serve as targeted interventions.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».