Risk of premature mortality due to smoking, alcohol use, obesity and physical activity varies by income: A population-based cohort study
Notice bibliographique
Résumé
Background: Premature deaths are a strong population health indicator. There is a persistent and widening pattern of income inequities for premature mortality. We sought to understand the combined effect of health behaviours and income on premature mortality in a large population-based cohort. Methods: We analyzed a cohort of 121,197 adults in the 2005-2014 Canadian Community Health Surveys, linked to vital statistics data to ascertain deaths for up to 5 years following baseline. Information on household income quintile and mortality-relevant risk factors (smoking status, alcohol use, body mass index (BMI), and physical activity) was captured from the survey. Hazard ratios (HR) for combined income-risk factor groups were estimated using Cox proportional hazards models. Stratified Cox models were used to identify quintile-specific HR for each risk factor. Results: For each risk factor, HR of premature mortality was highest in the lowest-income, highest-risk group. Additionally, an income gradient was seen for premature mortality HR for every exposure level of each risk factor. In the stratified models, risk factor HRs did not vary meaningfully between income groups. All findings were consistent in the unadjusted and adjusted models. Conclusion: These findings highlight the need for targeted strategies to reduce health inequities and more careful attention to how policies and interventions are distributed at the population level. This includes targeting and tailoring resources to those in lower income groups who disproportionately experience premature mortality risk to prevent further widening health inequities.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».