Ethnic variations in cardiovascular disease (CVD) risk factors and associations with prevalent CVD and CVD mortality in the United States
Notice bibliographique
Résumé
OBJECTIVE: To explore the association between ethnicity and cardiovascular disease (CVD) risk factors, including physical inactivity, obesity, hypertension, type 2 diabetes (T2D), lack of health insurance and low family income in a nationally representative sample of U.S. adults. RESEARCH DESIGN AND METHODS: Adults from the National Health and Nutrition Examination Survey (NHANES 2011-2020, n = 17,355) were classified as having CVD risk factors based on both self-reported and metabolic data. Ethnic differences in how these CVD risk factors relate to prevalent CVD and CVD mortality was examined in Whites, Blacks, Asians and Hispanics. RESULTS: Compared to Whites, significant disparities were noted in several CVD risk factors in ethnic minorities, such as lower PA, lower income, and more prevalent metabolic risk factors. Blacks and Hispanics commonly had higher prevalent CVD risk as compared to Whites even after adjusting for income and metabolic risk factors. Physical inactivity was most strongly associated with prevalent CVD and CVD mortality among Whites and Blacks. There were no ethnic differences in the inverse association between income and prevalent CVD risk, but Blacks with low income were associated with the greatest elevated CVD mortality. Hypertension and T2D were similarly related with prevalent CVD across ethnic groups, but Blacks and Hispanics with hypertension or T2D were at greater CVD mortality risk as compared to Whites. CONCLUSION: Our study identified that socioeconomic and metabolic risk factors may relate differently to CVD outcomes among ethnic minority groups in the United States. Addressing these ethnic disparities in health warrants further investigation.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».