Racial and Socioeconomic Disparities in Cardiovascular Outcomes of Preeclampsia Hospitalizations in the United States 2004-2019
Notice bibliographique
Résumé
Background: Preeclampsia is associated with higher in-hospital cardiovascular events and mortality with known disparities by race/ethnicity, but data on the interaction between income and these outcomes remain limited. Objectives: This study investigated racial and socioeconomic disparities in cardiovascular outcomes of preeclampsia at delivery hospitalizations. Methods: We analyzed National Inpatient Sample data using International Classification of Diseases-9th Revision/-10th Revision codes between 2004 and 2019. We identified a total of 2,436,991 delivery hospitalizations with preeclampsia/eclampsia as a primary diagnosis representing White (43.1%), Black (18.4%), Hispanic (18.7%), and Asian or Pacific Islander (A/PI; 3.3%) women. We stratified the population based on median household income (low income, medium income, and high income). Logistic regression and propensity-matched analysis were used for reporting outcomes adjusted for age, hospital region, and baseline comorbidities. Results: Black Hispanic, and A/PI women with preeclampsia had higher in-hospital mortality compared with White women across all groups of income. Hispanic women had lower odds of peripartum cardiomyopathy (PPCM) compared with White women. A significant interaction effect was observed with race/ethnicity and median household income for in-hospital mortality and PPCM with preeclampsia. Furthermore, high-income Black women had higher odds of PPCM, stroke, acute kidney injury, heart failure, cardiac arrhythmia, and venous thromboembolism compared with low-income White women. Conclusions: Women with preeclampsia experience significant racial/ethnic and socioeconomic disparities in inpatient mortality and cardiovascular outcomes at delivery. Across all income groups, Black, Hispanic, and A/PI women experience higher odds of in-hospital mortality compared with White women. Furthermore, high-income Black women had greater odds of many CV complications compared with low-income White women.
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 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».