Heterogeneity in Asian Americans’ mortality trends, 2000–2022
Notice bibliographique
Résumé
OBJECTIVES: Although Asian Americans are the fastest-growing racial/ethnic group in the United States, their recent mortality trends have not been sufficiently studied. This study provides a comprehensive analysis of years of life lost (YLL) from age 25 to 84 among six largest Asian ethnic groups, comparing them to non-Hispanic Whites. METHODS: We analyzed data from the CDC Multiple Cause of Death database and the American Community Survey (2000-2022) using a cause of death decomposition method. RESULTS: Among college-educated individuals, all Asian ethnic groups experienced either a smaller decrease or an increase in YLL compared to Whites in 2000-2022. These disparities were not primarily driven by the COVID-19 pandemic, though Filipinos and Indians were disproportionately affected compared to Whites. Instead, the divergence in YLL trends predates 2020. Indians showed the most unfavorable trend, with YLL worsening even before the pandemic, followed by Koreans. At least 75% of the smaller YLL reductions among Asians were due to slower improvements in mortality from circulatory diseases, cancer, and diabetes. These findings indicate a less favorable mortality trend for Asian Americans compared to White Americans, particularly the college-educated, in the early 21st century. They also suggest that, over time, Asians may be deriving diminishing health returns from higher education compared to Whites. DISCUSSION: We discuss differential trends between Whites and Asians, as well as variation within Asian ethnic and educational groups, in the context of socioeconomic conditions, labor market dynamics, racialization in the United States, and stages of nutrition transition in countries of origin.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».