Racial and Ethnic Disparities in Antihypertensive Medication Prescribing Patterns and Effectiveness
Notice bibliographique
Résumé
Variability in drug effectiveness and provider prescribing patterns have been reported in different racial and ethnic populations. We sought to evaluate antihypertensive drug effectiveness and prescribing patterns among self-identified Hispanic/Latino (Hispanic), Non-Hispanic Black (Black), and Non-Hispanic White (White) populations that enrolled in the NIH All of Us Research Program, a US longitudinal cohort. We employed a self-controlled case study method using electronic health record and survey data from 17,718 White, Hispanic, and Black participants who were diagnosed with essential hypertension and prescribed at least one of 19 commonly used antihypertensive medications. Effectiveness was determined by calculating the reduction in systolic blood pressure measurements after 28 or more days of drug exposure. Starting systolic blood pressure and effectiveness for each medication were compared for self-reported Black, Hispanic, and White participants using adjusted linear regressions. Black and Hispanic participants were started on antihypertensive medications at significantly higher SBP than White participants in 13 and 7 out of 19 medications, respectively. More Black participants were prescribed multiple antihypertensive medications (58.46%) than White (52.35%) or Hispanic (49.9%) participants. First-line HTN medications differed by race and ethnicity. Following the 2017 American College of Cardiology and the American Heart Association High Blood Pressure Guideline release, around 64% of Black participants were prescribed a recommended first-line antihypertensive drug compared with 76% of White and 82% of Hispanic participants. Effect sizes suggested that most antihypertensive drugs were less effective in Hispanic and Black, compared with White, participants, and statistical significance was reached in 6 out of 19 drugs. These results indicate that Black and Hispanic populations may benefit from earlier intervention and screening and highlight the potential benefits of personalizing first-line medications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».