Racial/ethnic disparities in pain among Canadian adults
Notice bibliographique
Résumé
Background: Understanding pain disparities is critical for fostering health equity and guiding effective health policies. However, little is known about racial/ethnic disparities in pain among adults in Canada. Aims: We provide a comprehensive analysis of racial/ethnic disparities in pain among Canadian adults, focusing on two dimensions of pain - frequent pain and interfering pain. Methods: We use two-wave cross-sectional data collected in 2020 and 2022 from a representative sample of 4,637 adults aged 18 and older residing in Canada. We calculate the prevalence of pain among White, Black, East/Southeast Asian, South Asian, Indigenous, Multiracial, and "Other" groups and estimate relative differences adjusted for key covariates in a multivariable framework. Results: The data reveal large and statistically significant pain disparities; specific patterns, however, vary across the two pain outcomes and by gender. Indigenous Canadians have relatively high prevalence of both frequent pain (38.4%) and interfering pain (27.8%), while East/Southeast Asian Canadians have the lowest prevalence of both (8.2% and 14.4%, respectively). Black Canadians have a relatively low prevalence of frequent pain (16.9%) but a very high prevalence of interfering pain (27.8%). Covariates are associated with pain levels but less so with the racial/ethnic patterns in pain. Conclusions: Our analysis highlights substantial racial/ethnic disparities in pain prevalence among Canadian adults. Further research is essential to better understand the root causes of the observed disparities and ultimately improve the lives of Canadians living with pain.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».