Association between neighbourhood poverty and type 2 diabetes risk. Does moving from a high to lower poverty neighbourhood reduce diabetes risk?
Notice bibliographique
Résumé
ObjectivesDiabetes, a pressing global public health crisis, Diabetes, a global health crisis, is significantly impacted by social determinants, including neighborhood characteristics. This study aims to to assess whether relocation from a high poverty to lower poverty neighbourhood is associated with a reduction in T2D incidence. Methods and ResultsThis population-based, propensity-matched cohort study will use linked administrative health to examine the association between neighborhood relocation and T2D incidence. The study population will include adults (age ≥20 years) residing in high poverty urban neighborhoods between April 1st, 2002, to March 31st, 2021, as defined by an area Low-Income Measure - After Tax value of 38,730 dollars for a household size 4 based on the Canadian Census. Individuals will be followed for a new diagnosis of T2D using a validated algorithm based on hospitalization and physicians’ claims data. Propensity score matching will used to match individuals who moved from high-to-lower poverty neighbourhoods to one of two comparison groups: those moving from high-to-high poverty areas and those who remain in their original neighbourhood. Time-to-event analysis utilizing Cox proportional hazards regression with a robust variance estimator will be used to compare T2D incidence between matched groups. As a sensitivity analysis, non-propensity score modeling will be conducted using neighbourhood of residence as a time-varying covariate. The results of the aforementioned analyses will be presented during the conference. ImplicationsBy clarifying the link between neighborhood poverty and T2D incidence, the results will guide focused interventions to alleviate health inequalities in socioeconomically disadvantaged areas.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».