Racial and ethnic disparities in alcohol-associated liver disease hospitalizations in Brazil before and after the COVID-19 pandemic
Notice bibliographique
Résumé
INTRODUCTION AND OBJECTIVES: The COVID-19 pandemic has resulted in a greater incidence of alcohol-associated liver disease (ALD) and simultaneously magnified health-related inequalities. We evaluated the impact of race and ethnicity on ALD-related hospitalizations in Brazil. MATERIALS AND METHODS: An interrupted time series analysis was used to estimate ALD-related hospitalization in public hospitals in Brazil. Monthly hospitalization rates for 34 consecutive months before and after the point of interruption (March 2020) were calculated using the Sistema de Informações Hospitalares database across four ethnic groups: Black, Pardo, Black, and Pardo combined, and Others (White and Unknown Ethnicity). RESULTS: A total of 84,787 ALD-related hospitalizations were recorded during the study period. The mean age of hospitalized patients was 53 years (SD=12.5); 83.6% were male. Immediately after the start of the pandemic, there was a statistically significant decrease in monthly ALD-related hospitalization rates for the whole population and for all ethnic groups. Subsequently, compared to pre-pandemic rates, there was a statistically significant trend increase in the referred hospitalization rates for the total population (0.065, 95% CI= 0.045 to 0.085, p<0.01), black population (0.0028, 95% CI= 0.006 to 0.050, p<0.05), pardo population (0.077, 95% CI= 0.063 to 0.090, p<0.01), and for black and pardo combined population (0.066, 95% CI= 0.053 to 0.079, p<0.01); however, the increase in hospitalization rates among the Others population (0.059, 95% CI= -0,014 to 0.133, p>0.1) was not statistically significant. CONCLUSIONS: The pandemic impacted ALD-related monthly hospitalization rates and disproportionately impacted Black and Pardo populations in Brazil.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».