Can lifestyle factors explain racial and ethnic inequalities in all-cause mortality among US adults?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background Racial and ethnic inequalities in all-cause mortality exist, and individual-level lifestyle factors have been proposed to contribute to these inequalities. In this study, we evaluate the extent to which the association between race and ethnicity and all-cause mortality can be explained by differences in the exposure and vulnerability to harmful effects of different lifestyle factors. Methods The 1997–2014 cross-sectional, annual US National Health Interview Survey (NHIS) linked to the 2015 National Death Index was used. NHIS reported on race and ethnicity (non-Hispanic White, non-Hispanic Black, and Hispanic/Latinx), lifestyle factors (alcohol use, smoking, body mass index, physical activity), and covariates (sex, age, education, marital status, survey year). Causal mediation using an additive hazard and marginal structural approach was used. Results 465,073 adults (18–85 years) were followed 8.9 years (SD: 5.3); 49,804 deaths were observed. Relative to White adults, Black adults experienced 21.7 (men; 95%CI: 19.9, 23.5) and 11.5 (women; 95%CI: 10.1, 12.9) additional deaths per 10,000 person-years whereas Hispanic/Latinx women experienced 9.3 (95%CI: 8.1, 10.5) fewer deaths per 10,000 person-years; no statistically significant differences were identified between White and Hispanic/Latinx men. Notably, these differences in mortality were partially explained by both differential exposure and differential vulnerability to the lifestyle factors among Black women, while different effects of individual lifestyle factors canceled each other out among Black men and Hispanic/Latinx women. Conclusions Lifestyle factors provide some explanation for racial and ethnic inequalities in all-cause mortality. Greater attention to structural, life course, healthcare, and other factors is needed to understand determinants of inequalities in mortality and to advance health equity.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,083 | 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 découle