Age and sex differences in the association between neighborhood socioeconomic environment and incident diabetes: Results from the diabetes location, environmental attributes and disparities (LEAD) network
Notice bibliographique
Résumé
Objective: Worse neighborhood socioeconomic environment (NSEE) may contribute to an increased risk of type 2 diabetes (T2D). We examined whether the relationship between NSEE and T2D differs by sex and age in three study populations. Research design and methods: We conducted a harmonized analysis using data from three independent longitudinal study samples in the US: 1) the Veteran Administration Diabetes Risk (VADR) cohort, 2) the REasons for Geographic and Racial Differences in Stroke (REGARDS) cohort, and 3) a case-control study of Geisinger electronic health records in Pennsylvania. We measured NSEE with a z-score sum of six census tract indicators within strata of community type (higher density urban, lower density urban, suburban/small town, and rural). Community type-stratified models evaluated the likelihood of new diagnoses of T2D in each study sample using restricted cubic splines and quartiles of NSEE. Results: Across study samples, worse NSEE was associated with higher risk of T2D. We observed significant effect modification by sex and age, though evidence of effect modification varied by site and community type. Largely, stronger associations between worse NSEE and diabetes risk were found among women relative to men and among those less than age 45 in the VADR cohort. Similar modification by age group results were observed in the Geisinger sample in small town/suburban communities only and similar modification by sex was observed in REGARDS in lower density urban communities. Conclusions: The impact of NSEE on T2D risk may differ for males and females and by age group within different community types.
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 | 0,003 | 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 | 0,001 | 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 ».