UNINTENTIONAL INJURY MORTALITY IN INDIA, 2005: NATIONALLY REPRESENTATIVE MORTALITY SURVEY OF 1.1 MILLION HOMES
Notice bibliographique
Résumé
Background Unintentional injuries are an important cause of death in India. However, no reliable nationally representative estimates of unintentional injury deaths are available. Aim To estimate total unintentional injury mortality in India using results from a nationally representative survey of the causes of deaths. Methods Unintentional injury deaths were examined in a nationally representative mortality survey covering 123 000 deaths occurring in 1.1 million homes. Trained non-medical field staff to interview all households in which a death had occurred from 2001 to 2003 within its Sample Registration System. Structured field reports detailing the events preceding death were obtained from living relatives of the deceased and emailed to two of 130 trained physicians who independently assigned an underlying cause to each death. Cause specific mortality proportions were applied to all-cause mortality estimates from the United Nations for the year 2005. Results In the year 2005, unintentional injury caused 648 000 deaths (7% of all deaths; 58/100 000 population). Mortality rates were higher among males than females, and in rural versus urban areas. Road traffic injuries (185 000 deaths; 29% of unintentional injury deaths), falls (160 000 deaths, 25%) and drowning (73 000 deaths, 11%) were the three leading causes of unintentional injury mortality. The highest unintentional mortality rates were in those aged 70 years or older (410/100 000) mostly due to falls.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».