Commentary: What explains widening geographic differences in life expectancy in New Zealand?
Notice bibliographique
Résumé
The ongoing collection, analysis, and dissemination of routine health statistics is essential for monitoring the health of populations. 1 While the main function of such routine data analysis is to provide surveillance for particular health conditions, it may also serve to generate and support hypotheses about the causes of changes in population health. In this issue, Pearce and Dorling 2 analyse routine data to show that differences in life expectancy between New Zealand’s 21 health districts have widened from 1980 to 2000. More specifically, they show that life expectancy increased for all areas, but the areas that were least deprived in 2001 saw larger life expectancy gains since 1980 than did the most-deprived areas. Similar results have also been seen for the UK 3 and Canada, 4 but as the authors note, there has been less attention paid to investigating geographic inequalities in health than to socioeconomic or race–ethnic inequalities in health. So what might account for the widening gap in life expectancy observed among these areas in New Zealand? One potential explanation is suggested by the method that Pearce and Dorling use for measuring health inequalities over this period. They use the slope index of inequality (SII) to measure absolute differences in life expectancy, which has the advantage, as they rightly note, of accounting for shifts in the population over time across regions. This is especially useful given the 20 year period of their analysis, during which New Zealand’s population increased by 20%, 5 and has done so differentially by region, with faster population growth in the northern North Islands of Auckland, Bay of Plenty, Northland, and Waikato. 6 However, monitoring health inequalities with an index like the SII also introduces an additional, but less well appreciated, dimension to measuring changes in inequality. 7
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,007 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».