Psycho-socio-economic factors and cardiorenal multimorbidity in middle to older-aged adults: cross-sectional results from the Canadian Longitudinal Study on Aging
Notice bibliographique
Résumé
Psycho-socio-economic factors (PSEFs) such as income, education, housing, and social support are known to influence health outcomes, yet their relationship with cardiorenal multimorbidity (CRM) remains poorly understood. This study aimed to estimate the prevalence of CRM and examine its associations with PSEFs in a large, nationally representative Canadian sample. We analyzed baseline data from 19,370 participants (mean age: 60 years; 49.8% men) in the Canadian Longitudinal Study on Aging, a prospective cohort of community-dwelling adults aged 45-85 years recruited between 2010 and 2015. CRM was defined as the co-existence of at least one cardiovascular disease and kidney disease. PSEFs assessed included household income, education, homeownership, marital status, employment status, and psychosocial variables. Survey-weighted multivariable logistic regression was used to estimate odds ratios (ORs) and 95% confidence intervals (CIs) for prevalent CRM. The overall prevalence of CRM was 0.83% (160 individuals), equivalent to 3.90 per 1000 individuals (95% CI 2.81-5.41). Prevalence increased with age and was higher among men than women (4.57 vs. 3.35 per 1000) and slightly higher in rural than urban areas (4.47 vs. 3.84 per 1000). Homeownership was associated with significantly lower odds of CRM (OR = 0.56; 95% CI 0.33-0.94). A household income of $50 K-99 K was associated with lower odds of CRM (OR = 0.63; 95% CI 0.39-1.00). No other PSEFs showed clear associations with prevalent CRM. CRM is relatively uncommon but shows variation by age, sex, and geography. Among the PSEFs assessed, homeownership and, to a lesser extent, moderate income were associated with reduced odds of prevalent CRM. These findings highlight the potential role of housing and economic stability in mitigating CRM risk. Longitudinal studies are needed to assess the impact of PSEFs on the development and progression of CRM over time.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».