MétaCan
Menu
Retour à la cohorte
Enregistrement W4402576198 · doi:10.1371/journal.pmed.1004455

Behavioral risk factors and socioeconomic inequalities in ischemic heart disease mortality in the United States: A causal mediation analysis using record linkage data

2024· article· en· W4402576198 sur OpenAlexaff
Yachen Zhu, Laura Llamosas‐Falcón, William C. Kerr, Jürgen Rehm, Charlotte Probst

Notice bibliographique

RevuePLoS Medicine · 2024
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensPublic Health OntarioUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesNational Institute on Alcohol Abuse and AlcoholismCenters for Disease Control and PreventionNational Institutes of Health
Mots-clésSocioeconomic statusMedicineDemographyMarital statusNational Death IndexCohort studyMediationProportional hazards modelGerontologyCohortHazard ratioPopulationEnvironmental healthConfidence intervalInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Ischemic heart disease (IHD) is a major cause of death in the United States (US), with marked mortality inequalities. Previous studies have reported inconsistent findings regarding the contributions of behavioral risk factors (BRFs) to socioeconomic inequalities in IHD mortality. To our knowledge, no nationwide study has been conducted on this topic in the US. METHODS AND FINDINGS: In this cohort study, we obtained data from the 1997 to 2018 National Health Interview Survey with mortality follow-up until December 31, 2019 from the National Death Index. A total of 524,035 people aged 25 years and older were followed up for 10.3 years on average (SD: 6.1 years), during which 13,256 IHD deaths occurred. Counterfactual-based causal mediation analyses with Cox proportional hazards models were performed to quantify the contributions of 4 BRFs (smoking, alcohol use, physical inactivity, and BMI) to socioeconomic inequalities in IHD mortality. Education was used as the primary indicator for socioeconomic status (SES). Analyses were performed stratified by sex and adjusted for marital status, race and ethnicity, and survey year. In both males and females, clear socioeconomic gradients in IHD mortality were observed, with low- and middle-education people bearing statistically significantly higher risks compared to high-education people. We found statistically significant natural direct effects of SES (HR = 1.16, 95% CI: 1.06, 1.27 in males; HR = 1.28, 95% CI: 1.10, 1.49 in females) on IHD mortality and natural indirect effects through the causal pathways of smoking (HR = 1.18, 95% CI: 1.15, 1.20 in males; HR = 1.11, 95% CI: 1.08, 1.13 in females), physical inactivity (HR = 1.16, 95% CI: 1.14, 1.19 in males; HR = 1.18, 95% CI: 1.15, 1.20 in females), alcohol use (HR = 1.07, 95% CI: 1.06, 1.09 in males; HR = 1.09, 95% CI: 1.08, 1.11 in females), and BMI (HR = 1.03, 95% CI: 1.02, 1.04 in males; HR = 1.03, 95% CI: 1.02, 1.04 in females). Smoking, physical inactivity, alcohol use, and BMI mediated 29% (95% CI, 24%, 35%), 27% (95% CI, 22%, 33%), 12% (95% CI, 10%, 16%), and 5% (95% CI, 4%, 7%) of the inequalities in IHD mortality between low- and high-education males, respectively; the corresponding proportions mediated were 16% (95% CI, 11%, 23%), 26% (95% CI, 20%, 34%), 14% (95% CI, 11%, 19%), and 5% (95% CI, 3%, 7%) in females. Proportions mediated were slightly lower with family income used as the secondary indicator for SES. The main limitation of the methodology is that we could not rule out residual exposure-mediator, exposure-outcome, and mediator-outcome confounding. CONCLUSIONS: In this study, BRFs explained more than half of the educational differences in IHD mortality, with some variations by sex. Public health interventions to reduce intermediate risk factors are crucial to reduce the socioeconomic disparities and burden of IHD mortality in the general US population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,074
score de la tête « metaresearch » (Gemma)0,127
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,392

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0740,127
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,008
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0030,005
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,327
Tête enseignante GPT0,462
Écart entre enseignants0,135 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207