MétaCan
Menu
Retour à la cohorte
Enregistrement W4406939540 · doi:10.1016/s2214-109x(24)00451-0

Social and health disparities associated with healthy brain ageing in Brazil and in other Latin American countries

2025· article· en· W4406939540 sur OpenAlexaff
Lucas Uglione Da Ros, Wyllians Vendramini Borelli, Cristiano Schaffer Aguzzoli, Marco Antônio De Bastiani, Lucas Porcello Schilling, Hernando Santamaría‐García, Tharick A. Pascoal, Pedro Rosa‐Neto, Diogo O. Souza, Jaderson Costa da Costa, Agustín Ibáñez, Cláudia Kimie Suemoto, Eduardo R. Zimmer

Notice bibliographique

RevueThe Lancet Global Health · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensMcGill University Health CentreDouglas Mental Health University InstituteMontreal Neurological Institute and Hospital
Organismes subventionnairesFondo de Financiamiento de Centros de Investigación en Áreas PrioritariasNational Institutes of HealthAgencia Nacional de Investigación y DesarrolloInstituto SerrapilheiraMinistério da Ciência e TecnologiaInstituto Nacional de Ciência e Tecnologia para Excitotoxicidade e NeuroproteçãoFogarty International CenterNational Academy of NeuropsychologyFundação de Amparo à Pesquisa do Estado do Rio Grande do SulConselho Nacional de Desenvolvimento Científico e TecnológicoAlzheimer's SocietyGlobal Brain Health InstituteBiogenMinistério da SaúdeEli Lilly and CompanyNovo NordiskEisaiNational Institute on AgingAlzheimer's Association
Mots-clésLatin AmericansSocial determinants of healthPolitical scienceGerontologyMEDLINEAgeingHealth equityDevelopment economicsEconomic growthMedicineEnvironmental healthPublic healthEconomicsNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Latin American countries present major health-related inequities due to historical, cultural, and social aspects. Recent evidence highlights that factors related to social and health disparities outweigh classic demographic factors in determining healthy brain aging in these populations. However, these analyses have not been conducted with the Brazilian population, the largest and most ethnically diverse population in Latin America. METHODS: Here, we evaluated demographic, social, and health factors for healthy brain ageing using a machine learning model in a Brazilian population-based cohort (n=9412) and in additional cohorts from other Latin American countries, including Colombia (n=23 694), Chile (n=1301), Ecuador (n=5235), and Uruguay (n=1450). FINDINGS: In the Brazilian population and other Latin American countries, social and health disparities were more influential than demographic factors for cognition and functional ability. Uniquely in Brazil, education emerged as the primary risk factor impacting cognitive outcomes, diverging from other Latin American countries where mental health symptoms played more prominent roles. In terms of functional ability, Brazil displayed a distinct pattern, with mental health symptoms identified as the primary contributing factor. INTERPRETATION: Our findings indicate that Brazil converges with other Latin American countries to show that heterogeneous factors impacted more than demographic factors, but also showed a unique set of health factors when compared with other Latin American countries. Therefore, our study emphasises that social and health disparity factors are relevant predictors of healthy brain ageing in Latin America, but population-specific analyses are necessary to identify the specific risk profiles of each country. FUNDING: None. TRANSLATIONS: For the Portuguese and Spanish translations of the abstract see Supplementary Materials section.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,225
Score d'incertitude au seuil0,987

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,034
Tête enseignante GPT0,424
Écart entre enseignants0,390 · 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 tête enseignante, 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

Citations20
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetDementia and Cognitive Impairment ResearchTravaux en français237 207