Educational disparities in joint pain within and across US states: do macro sociopolitical contexts matter?
Notice bibliographique
Résumé
ABSTRACT: Despite growing recognition of the importance of social, economic, and political contexts for population health and health inequalities, research on pain disparities relies heavily on individual-level data, while neglecting overarching macrolevel factors such as state-level policies and characteristics. Focusing on moderate or severe arthritis-attributable joint pain-a common form of pain that considerably harms individuals' quality of life-we (1) compared joint pain prevalence across US states; (2) estimated educational disparities in joint pain across states; and (3) assessed whether state sociopolitical contexts help explain these 2 forms of cross-state variation. We linked individual-level data on 407,938 adults (ages 25-80 years) from the 2017 Behavioral Risk Factor Surveillance System with state-level data on 6 measures (eg, the Supplemental Nutrition Assistance Program [SNAP], Earned Income Tax Credit, Gini index, and social cohesion index). We conducted multilevel logistic regressions to identify predictors of joint pain and inequalities therein. Prevalence of joint pain varies strikingly across US states: the age-adjusted prevalence ranges from 6.9% in Minnesota to 23.1% in West Virginia. Educational gradients in joint pain exist in all states but vary substantially in magnitude, primarily due to variation in pain prevalence among the least educated. At all education levels, residents of states with greater educational disparities in pain are at a substantially higher risk of pain than peers in states with lower educational disparities. More generous SNAP programs (odds ratio [OR] = 0.925; 95% confidence interval [CI]: 0.963-0.957) and higher social cohesion (OR = 0.819; 95% CI: 0.748-0.896) predict lower overall pain prevalence, and state-level Gini predicts higher pain disparities by education.
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 | 0,006 | 0,002 |
| 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 ».