Socioeconomic Disparities and Other Factors in Dyslipidemia: Insights from NHANES 2017–2020 Data
Notice bibliographique
Résumé
Introduction: Dyslipidemia, characterized by abnormal blood lipid levels, is a key risk factor for cardiovascular disease. Socioeconomic status can play a role in the development of chronic disease, including as an influence on risk factors for chronic diseases such as cardiovascular disease. Methods: This study analyzes the relationship between socioeconomic status and dyslipidemia using a population-based cross-sectional survey (NHANES 2017–2020 data). A cohort of 5862 adults was examined, focusing on socioeconomic factors (income, education, occupation) and their association with lipid profiles while controlling for sociodemographic, lifestyle, and medical variables, contributing to understanding how health disparities may affect chronic disease outcomes. Results: Low socioeconomic status was consistently associated with higher dyslipidemia risk, while high socioeconomic status demonstrated a modest protective effect. Age, BMI, hypertension, and diabetes were key predictors, highlighting the need for targeted interventions. Conclusions: This study underscores the critical role of socioeconomic status in dyslipidemia risk. Low socioeconomic status consistently increased the odds of dyslipidemia. While high socioeconomic status demonstrated some protective effects, these were diminished when accounting for lifestyle and clinical factors, highlighting the complex interplay of socioeconomic status and health behaviors.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».