Medical and Social Determinants of Brain Health and Dementia in a Multicultural Community Cohort of Older Adults
Notice bibliographique
Résumé
Background: Socioeconomic status (SES), race, ethnicity, and medical comorbidities may contribute to Alzheimer’s disease and related disorders (ADRD) health disparities. Objective: Analyze effects of social and medical determinants on cognition in 374 multicultural older adults participating in a community-based dementia screening program. Methods: We used the Montreal Cognitive Assessment (MoCA)and AD8 as measures of cognition, and a 3-way race/ethnicity variable (White, African American, Hispanic) and SES (Hollingshead index) as predictors. Potential contributors to health disparities included: age, sex, education, total medical comorbidities, health self-ratings, and depression. We applied K-means cluster analyses to study medical and social dimension effects on cognitive outcomes. Results: African Americans and Hispanics had lower SES status and cognitive performance compared with similarly aged Whites. We defined three clusters based on age and SES. Cluster #1 and #3 differed by SES but not age, while cluster #2 was younger with midlevel SES. Cluster #1 experienced the worse health outcomes while cluster #3 had the best health outcomes. Within each cluster, White participants had higher SES and better health outcomes, African Americans had the worst physical performance, and Hispanics had the most depressive symptoms. In cross-cluster comparisons, higher SES led to better health outcomes for all participants. Conclusion: SES may contribute to disparities in access to healthcare services, while race and ethnicity may contribute to disparities in the quality and extent of services received. Our study highlights the need to critically address potential interactions between race, ethnicity, and SES which may better explain disparities in ADRD health outcomes.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».