MétaCan
Menu
Retour à la cohorte
Enregistrement W4362522301 · doi:10.1001/jama.2023.1699

Differences in Treatment Patterns and Outcomes of Acute Myocardial Infarction for Low- and High-Income Patients in 6 Countries

2023· article· en· W4362522301 sur OpenAlexafffundabout
Bruce E. Landon, Laura A. Hatfield, Pieter Bakx, Amitava Banerjee, Yu-Chin Chen, Christina Fu, Michal Gordon, Renaud Heine, Nicole Huang, Dennis T. Ko, Lisa M. Lix, Victor Novack, Laura Pasea, Feng Qiu, Thérèse A. Stukel, Carin A. Uyl‐de Groot, Lin Yan, Gabe Weinreb, Peter Cram

Notice bibliographique

RevueJAMA · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Myocardial Infarction Research
Établissements canadiensUniversity of ManitobaUniversity of TorontoGeorge & Fay Yee Centre for Healthcare InnovationHealth Sciences CentreInstitute for Clinical Evaluative SciencesSunnybrook Health Science Centre
Organismes subventionnairesNational Institute on AgingUniversity of TorontoOntario Ministry of Health and Long-Term Care
Mots-clésMedicineMyocardial infarctionPercutaneous coronary interventionCardiac catheterizationMortality rateCohortRevascularizationInternal medicineDisadvantagedPopulationDemographyEmergency medicineCardiologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Importance: Differences in the organization and financing of health systems may produce more or less equitable outcomes for advantaged vs disadvantaged populations. We compared treatments and outcomes of older high- and low-income patients across 6 countries. Objective: To determine whether treatment patterns and outcomes for patients presenting with acute myocardial infarction differ for low- vs high-income individuals across 6 countries. Design, Setting, and Participants: Serial cross-sectional cohort study of all adults aged 66 years or older hospitalized with acute myocardial infarction from 2013 through 2018 in the US, Canada, England, the Netherlands, Taiwan, and Israel using population-representative administrative data. Exposures: Being in the top and bottom quintile of income within and across countries. Main Outcomes and Measures: Thirty-day and 1-year mortality; secondary outcomes included rates of cardiac catheterization and revascularization, length of stay, and readmission rates. Results: We studied 289 376 patients hospitalized with ST-segment elevation myocardial infarction (STEMI) and 843 046 hospitalized with non-STEMI (NSTEMI). Adjusted 30-day mortality generally was 1 to 3 percentage points lower for high-income patients. For instance, 30-day mortality among patients admitted with STEMI in the Netherlands was 10.2% for those with high income vs 13.1% for those with low income (difference, -2.8 percentage points [95% CI, -4.1 to -1.5]). One-year mortality differences for STEMI were even larger than 30-day mortality, with the highest difference in Israel (16.2% vs 25.3%; difference, -9.1 percentage points [95% CI, -16.7 to -1.6]). In all countries, rates of cardiac catheterization and percutaneous coronary intervention were higher among high- vs low-income populations, with absolute differences ranging from 1 to 6 percentage points (eg, 73.6% vs 67.4%; difference, 6.1 percentage points [95% CI, 1.2 to 11.0] for percutaneous intervention in England for STEMI). Rates of coronary artery bypass graft surgery for patients with STEMI in low- vs high-income strata were similar but for NSTEMI were generally 1 to 2 percentage points higher among high-income patients (eg, 12.5% vs 11.0% in the US; difference, 1.5 percentage points [95% CI, 1.3 to 1.8 ]). Thirty-day readmission rates generally also were 1 to 3 percentage points lower and hospital length of stay generally was 0.2 to 0.5 days shorter for high-income patients. Conclusions and Relevance: High-income individuals had substantially better survival and were more likely to receive lifesaving revascularization and had shorter hospital lengths of stay and fewer readmissions across almost all countries. Our results suggest that income-based disparities were present even in countries with universal health insurance and robust social safety net systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,306
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMAMême sujetAcute Myocardial Infarction ResearchTravaux en français237 207