Urban Versus Rural Disparities in Alcoholic Liver Disease Mortality: A Comprehensive 22-Year Analysis of Trends and Demographic Influences in the United States
Notice bibliographique
Résumé
Introduction Alcoholic liver disease (ALD) encompasses a spectrum of liver conditions that result from excessive alcohol consumption. Disparities in mortality rates of ALD between urban and rural populations have become a growing concern, with rural areas experiencing a faster rise in ALD-related deaths. Understanding these disparities is crucial for developing targeted public health interventions to address this escalating concern. Methodology Disparities in mortality rates from 1999 to 2020 were analyzed using data from the CDC-WONDER (Centers for Disease Control and Prevention, Wide-ranging Online Data for Epidemiologic Research) database. Regions were categorized into urban (large central, large fringe, medium, and small metro) and rural (micropolitan and non-core) categories based on the 2013 Metropolitan classification. The data were stratified by age (10-year intervals), gender, and race. The binomial proportion test was used for comparison, and a p-value < 0.05 was considered significant. Results Rural mortality rates increased sharply post-2015, peaking in 2020, while urban rates rose more gradually. While urban areas experienced higher total mortality, rural regions exhibited a steeper rise in mortality rates, especially post-2015, highlighting a growing public health crisis. Notably, younger age groups (15-64 years) exhibited higher mortality in rural areas, particularly among those aged 25-34 years, while urban areas showed higher rates for older populations (65+ years). American Indian or Alaska Native individuals in rural areas had notably high rates (24.1 per 100,000). Rural males experienced higher mortality rates (9.04 per 100,000) compared to urban males (7.82 per 100,000, p < 0.001). Similarly, rural females also exhibited higher mortality (3.48 per 100,000) compared to urban females (3.08 per 100,000, p < 0.001), highlighting a consistent rural disadvantage across both genders. Conclusions The findings of this study indicate that males and middle-aged adults in rural settings are disproportionately affected. Targeted public health interventions aimed at improving healthcare access can significantly reduce ALD mortality rates.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».