Is Discrimination Related to Markers of Systemic Inflammation? A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: Discrimination, or unfair treatment of individuals based on social group membership, is a major public health concern. To understand health inequities, it is critical to examine the physiological mechanisms-such as systemic inflammation-through which discrimination impacts health. However, estimations of the discrimination-inflammation association vary widely across studies, and it is unclear if the magnitude of the association varies as a function of methodological and sample characteristics. METHODS: We conducted a systematic review and meta-analysis of the association between discrimination and inflammation in 47 articles that yielded 161 effects. A series of meta-regressions were conducted using random effects models to estimate the overall effect size and effect sizes among subgroups of different combinations of discrimination measures and inflammatory markers. RESULTS: Results revealed a significant, positive overall association, such that greater discrimination was associated with higher levels of systemic inflammation among ∼74,763 participants ( r = 0.087, p < .001). Subgroup analyses showed that the magnitude of the association varied by the type of discrimination measured, the specific inflammatory marker, and methodological features. Discrimination was significantly associated with CRP and IL-6. There was a significant, positive association between discrimination and inflammation in studies that measured racial/ethnic discrimination specifically. Statistical power is also a significant contributor to our ability to estimate effects between discrimination and inflammation. CONCLUSIONS: Overall, the current literature provides evidence that greater discrimination is associated with higher levels of inflammation. We need greater theoretical and methodological precision to advance our understanding of the mechanistic pathways by which discrimination gets under the skin.
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 | 0,031 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,038 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».