Combining best evidence: A novel method to calculate the alcohol-attributable fraction and its variance for injury mortality
Notice bibliographique
Résumé
BACKGROUND: The alcohol-attributable fraction for injury mortality is defined as the proportion of fatal injury that would disappear if consumption went to zero. Estimating this fraction has previously been based on a simplistic view of drinking and associated risk. This paper develops a new way to calculate the alcohol-attributable fraction for injury based on different dimensions of drinking, mortality data, experimental data, survey research, new risk scenarios, and by incorporating different distributions of consumption within populations. For this analysis, the Canadian population in 2005 was used as the reference population. METHODS: Binge drinking and average daily consumption were modeled separately with respect to the calculation of the AAF. The acute consumption risk was calculated with a probability-based method that accounted for both the number of binge drinking occasions and the amount of alcohol consumed per occasion. The average daily consumption was computed based on the prevalence of daily drinking at various levels. These were both combined to get an overall estimate. 3 sensitivity analyses were performed using different alcohol consumption parameters to test the robustness of the model. Calculation of the variance to generate confidence limits around the point estimates was accomplished via Monte Carlo resampling methods on randomly generated AAFs that were based on the distribution and prevalence of drinking in the Canadian population. RESULTS: Overall, the AAFs decrease with age and are significantly lower for women than men across all ages. As binge drinking increases, the injury mortality AAF also increases. Motor vehicle collisions show the largest relative increases in AAF as alcohol consumption is increased, with over a 100% increase in AAF from the lowest to highest consumption category. Among non-motor vehicle collisions, the largest change in total AAF occurred both for homicide and other intentional injuries at about a 15% increase in the AAF from the lowest to the highest binge consumption scenarios. CONCLUSIONS: This method combines the best available evidence to generate new alcohol-attributable fractions for alcohol-attributable injury mortality. Future research is needed to refine the risk function for non-motor vehicle injury types and to investigate potential interactions between binge drinking and average volume of alcohol consumption.
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 | 0,066 | 0,321 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,013 |
| Bibliométrie | 0,033 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».