Social and health disparities associated with healthy brain ageing in Brazil and in other Latin American countries
Notice bibliographique
Résumé
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 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 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».