Racial and ethnic disparities in aortic stenosis within a universal healthcare system characterized by natural language processing for targeted intervention
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims Aortic stenosis (AS) is a condition marked by high morbidity and mortality in severe, symptomatic cases without intervention via transcatheter aortic valve implantation (TAVI) or surgical aortic valve replacement (SAVR). Racial and ethnic disparities in access to these treatments have been documented, particularly in North America, where socioeconomic factors such as health insurance confound analyses. This study evaluates disparities in AS management across racial and ethnic groups, accounting for socioeconomic deprivation, using an artificial intelligence (AI) framework. Methods and results We conducted a retrospective cohort study using a natural language processing pipeline to analyse both structured and unstructured data from > 1 million patients at a London hospital. Key variables included age, sex, self-reported race and ethnicity, AS severity, and socioeconomic status. The primary outcomes were rates of valvular intervention and all-cause mortality. Among 6967 patients with AS, Black patients were younger, more symptomatic, and more comorbid than White patients. Black patients with objective evidence of AS on echocardiography were less likely to receive a clinical diagnosis than White patients. In severe AS, TAVI and SAVR procedures were performed at lower rates among Black patients than among White patients, with a longer time to SAVR. In multivariate analysis of severe AS, controlling for socioeconomic status, Black patients experienced higher mortality (hazard ratio = 1.42, 95% confidence interval = 1.05–1.92, P = 0.02). Conclusion An AI framework characterizes racial and ethnic disparities in AS management, which persist in a universal healthcare system, highlighting targets for future healthcare interventions.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle