Reliable direct measurement of causes of death in low- and middle-income countries
Notice bibliographique
Résumé
BACKGROUND: Most of the 48 million annual deaths in low- and middle-income countries (LMICs) occur without medical attention at the time of death so that the causes of death (COD) are largely unknown. A review of low-cost methods of obtaining nationally representative COD data is timely. DISCUSSION: Despite clear historic evidence of their usefulness, most LMICs lack reliable nationally representative COD data. Indirect methods to estimate COD for most countries are inadequate, mainly because they currently rely on an average ratio of 1 nationally representative COD to every 850 estimated deaths in order to measure the cause of 25 million deaths across 110 LMICs. Direct measurement of COD is far more reliable and relevant for country priorities. Five feasible methods to expand COD data are: sample registration systems (which form the basis for the ongoing Million Death Study in India; MDS); strengthening the INDEPTH network of 42 demographic surveillance sites; adding retrospective COD surveys to the demographic household and health surveys in 90 countries; post-census retrospective mortality surveys; and for smaller countries, systematic assembly of health records. Lessons learned from the MDS, especially on low-cost, high-quality methods of verbal autopsy, paired with emerging use of electronic data capture and other innovations, can make COD systems low-cost and relevant for a wide range of childhood and adult conditions. SUMMARY: Low-cost systems to obtain and report CODs are possible. If implemented widely, COD systems could identify disease control priorities, help detect emerging epidemics, enable evaluation of disease control programs, advance indirect methods, and improve the accountability for expenditures of disease control programs.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».