Exploring ethnic and racial differences in intraocular pressure and glaucoma: The Canadian Longitudinal Study on aging
Notice bibliographique
Résumé
Purpose: To determine whether self-reported race/ethnicity is associated with intraocular pressure (IOP) and glaucoma and to explore whether any associations are due to social, behavioral, genetic, or health differences. Design: Cross-sectional analysis of population-based data. Methods: We used the Canadian Longitudinal Study on Aging Comprehensive Cohort, which consists of 30,097 adults aged 45-85 years. Race/ethnicity was self-reported. Corneal-compensated intraocular pressure (IOP) was measured in mmHg using the Reichert Ocular Response Analyzer. Participants were asked to report if they have ever had a diagnosis of glaucoma and whether they used eye care in the past year. A glaucoma polygenic risk score (PRS) was calculated. Logistic and linear regression models were used. Results: Black individuals had higher mean IOP levels (beta coefficient (β) = 1.46; 95% confidence interval [CI], 0.62, 2.30) while Chinese, Japanese and Korean (β = -1.00; 95% CI, -1.63, -0.38) and Southeast Asian and Filipino individuals (β = -1.56; 95% CI, -2.68, -0.43) had lower mean IOP levels as compared to White individuals after adjustment for sociodemographic, behavioral, genetic, and health-related variables. Black people were more likely to report glaucoma as compared to White people after adjustment (odds ratio [OR] = 2.43; 95% CI, 1.27, 4.64). Conclusion: Racial and ethnic differences in IOP and glaucoma were identified. Adjusting for sociodemographic, behavioral, genetic, and health-related variables did not fully explain these differences. Longitudinal research is needed to further explore the reasons for these differences and to understand their relevance to disease pathogenesis and progression.
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 | 0,000 | 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 | 0,000 | 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 ».