Differences in chronic disease prevalence by ethno-racial identity among Canadians: analyses of nationally representative self-report data
Notice bibliographique
Résumé
OBJECTIVE: In 2015, chronic diseases accounted for approximately three-quarters of deaths in Ontario, with the most common conditions being cancer, cardiovascular diseases, diabetes, and chronic lower respiratory diseases. Despite Canada's diversity, there is limited health research on chronic disease prevalence among visible minority populations. This study aimed to examine the relationship between visible minority status and the prevalence of chronic diseases in Canada, with a focus on self-identified ethnoracial identity. DESIGN: = 113,290), accessed through the Statistics Canada Research Data Centre. Each enumerated visible minority group was analysed separately, except for Chinese, Korean, and Japanese participants, who were grouped into a single category due to sample size constraints. Chronic conditions were self-reported with binary 'yes/no' responses, with the exception of obesity, which was derived from reported weight and height data. Logistic regression was used to calculate bivariate and multivariable odds ratios (OR) with 95% confidence intervals (CI). Analyses were stratified by sex (male/female, as measured by the CCHS). RESULTS: Multivariable analyses indicated that visible minority males had higher odds of reporting high cholesterol, type II diabetes, and hypertension, but lower odds of arthritis and cancer, compared white males. Filipino males had the highest odds for hypertension (OR: 2.36; 95%CI: 1.40-3.99), while South Asian males had the lowest odds of cancer (OR: 0.09; 95%CI: 0.04-0.19). Indigenous males and females consistently reported higher odds of most chronic conditions. CONCLUSION: Several ethno-racial groups exhibited elevated odds of specific chronic conditions, though not uniformly across all tested outcomes. These findings underscore the importance for healthcare providers, public health practitioners, and policymakers to consider the nuanced relationship between ethnoracial identity and chronic conditions. Culturally competent care and targeted health interventions should reflect this complexity.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».