Racial and ethnic difference in the risk of fractures in the United States: a systematic review and meta-analysis
Notice bibliographique
Résumé
This systematic review and meta-analysis examined the association between race and ethnicity and fracture risk in the United States. We identified relevant studies by searching PubMed and EMBASE for studies published from the databases' inception date to December 23, 2022. Only observational studies conducted in the US population that reported the effect size of racial-ethnic minority groups versus white people were included. Two investigators independently conducted literature searches, study selection, risk of bias assessment, and data abstraction; discrepancies were resolved by consensus or consultation of a third investigator. Twenty-five studies met the inclusion criteria, and the random-effects model was used to calculate the pooled effect size due to heterogeneity between the studies. Using white people as the reference group, we found that people of other races and ethnic groups had a significantly lower fracture risk. In Black people, the pooled relative risk (RR) was 0.46 (95% confidence interval (CI), 0.43-0.48, p < 0.0001). In Hispanics, the pooled RR was 0.66 (95% CI, 0.55-0.79, p < 0.0001). In Asian Americans, the pooled RR was 0.55 (95% CI, 0.45-0.66, p < 0.0001). In American Indians, the pooled RR was 0.80 (95% CI, 0.41-1.58, p = 0.3436). Subgroup analysis by sex in Black people revealed the strength of association was greater in men (RR = 0.57, 95% CI = 0.51-0.63, p < 0.0001) than in women (RR = 0.43, 95% CI = 0.39-0.47, p < 0.0001). Our findings suggest that people of other races and ethnic groups have a lower fracture risk than white people.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| 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 | 0,001 |
| 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 ».