Racial and Ethnic Differences in Health-Related Quality of Life for Individuals With Parkinson Disease Across Centers of Excellence
Notice bibliographique
Résumé
Background and Objectives Racial and ethnic minorities have been underrepresented in Parkinson disease (PD) research, limiting our understanding of treatments and outcomes across all non-White groups. The goal of this research is to investigate variability in health-related quality of life (HRQoL) and other outcomes in patients with PD across different races and ethnicities. Methods This was a retrospective, cross-sectional and longitudinal, cohort study of individuals evaluated at PD Centers of Excellence. A multivariable regression analysis adjusted for sex, age, disease duration, Hoehn and Yahr (H&Y) stage, comorbidities, and cognitive score was used to investigate differences between racial and ethnic groups. A multivariable regression with skewed-t errors was performed to assess the individual contribution of each variable to the association of 39-item PD Questionnaire (PDQ-39) with race and ethnicity. Results A total of 8,514 participants had at least 1 recorded visit. Most of them (90.2%) self-identified as White (n = 7,687), followed by 5.81% Hispanic (n = 495), 2% Asians (n = 170), and 1.9% African American (n = 162). After adjustment, total PDQ-39 scores were significantly higher (worse) in African Americans (28.56), Hispanics (26.62), and Asians (25.43) when compared with those in White patients (22.73, p < 0.001). This difference was also significant in most PDQ-39 subscales. In the longitudinal analysis, the inclusion of cognitive scores significantly decreased the strength of association of the PDQ-39 and race/ethnicity for minority groups. A mediation analysis demonstrated that cognition partially mediated the association between race/ethnicity and PDQ-39 scores (proportion mediated 0.251, p < 0.001). Discussion There were differences in PD outcomes across racial and ethnic groups, even after adjustment for sex, disease duration, HY stage, age, and some comorbid conditions. Most notably, there was worse HRQoL among non-White patients when compared with White patients, which was partially explained by cognitive scores. The underlying reason for these differences needs to be a focus of future research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».