Racial and Ethnic Disparities in Alcohol Consumption and Mortality in the U.S.
Notice bibliographique
Résumé
INTRODUCTION: Although there are racial/ethnic differences in alcohol use, there is little information about differences in mortality from all alcohol-related conditions or by cause of death. Furthermore, little is known about the degree to which racial/ethnic differences in mortality persist after adjusting for ethanol consumption. The purpose of this cross-sectional study was to comprehensively assess racial/ethnic differences in alcohol-attributable deaths and reduced life expectancy. METHODS: Alcohol prevalence data were from the Behavioral Risk Factor Surveillance System, and mortality data were from the National Vital Statistics System. Alcohol-attributable fractions and the Alcohol-Related Disease Impact application were used to assess alcohol-attributable deaths from 58 partially or wholly alcohol-attributable conditions in the U.S. during 2020-2021 (analyzed in 2024). RESULTS: White persons (60.9% of the population) accounted for 70.8% of all alcohol-attributable deaths and had the second-highest death rate (63.8 per 100,000) among racial/ethnic groups. American Indian/Alaska Native persons had the highest alcohol-attributable death rate (145.3) and the lowest average age of death (48.1 years). White and Asian, Native Hawaiian, or Pacific Islander persons tended to die of alcohol-attributable conditions from chronic diseases at relatively older ages, whereas people in other racial/ethnic groups tended to die at younger ages from alcohol-attributable acute causes of death. After adjusting for differences in per capita alcohol consumption, there remained fourfold differences in alcohol-attributable deaths by race/ethnicity. CONCLUSIONS: Large differences in alcohol-attributable deaths across racial/ethnic groups were only partially explained by racial/ethnic differences in alcohol consumption. Implementing effective alcohol policies and addressing social determinants of health could reduce alcohol-related harms across race/ethnicities.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».