The geography of arthritis-attributable pain outcomes: a county-level spatial analysis
Notice bibliographique
Résumé
ABSTRACT: Research on the geographic distribution of pain and arthritis outcomes, especially at the county level, is limited. This is a high-priority topic, however, given the heterogeneity of subnational and substate regions and the importance of county-level governments in shaping population health. Our study provides the most fine-grained picture to date of the geography of pain in the United States. Combining 2011 Behavioral Risk Factor Surveillance System data with county-level data from the Census and other sources, we examined arthritis and arthritis-attributable joint pain, severe joint pain, and activity limitations in US counties. We used small area estimation to estimate county-level prevalences and spatial analyses to visualize and model these outcomes. Models considering spatial structures show superiority over nonspatial models. Counties with higher prevalences of arthritis and arthritis-related outcomes are mostly clustered in the Deep South and Appalachia, while severe consequences of arthritis are particularly common in counties in the Southwest, Pacific Northwest, Georgia, Florida, and Maine. Net of arthritis, county-level percentages of racial/ethnic minority groups are negatively associated with joint pain prevalence, but positively associated with severe joint pain prevalence. Severe joint pain is also more common in counties with more female individuals, separated or divorced residents, more high school noncompleters, fewer chiropractors, and higher opioid prescribing rates. Activity limitations are more common in counties with higher percentages of uninsured people. Our findings show that different spatial processes shape the distribution of different arthritis-related pain outcomes, which may inform local policies and programs to reduce the risk of arthritis and its consequences.
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 | 0,022 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».