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. Thus, we examined unintentional injury deaths in a nationally representative mortality survey. METHODS: Trained field staff interviewed a living relative of those who had died during 2001-03. The verbal autopsy reports were sent to two of the 130 trained physicians, who independently assigned an ICD-10 code to each death. Discrepancies were resolved through reconciliation and adjudication. Proportionate cause specific mortality was used to produce national unintentional injury mortality estimates based on United Nations population and death estimates. RESULTS: In 2005, unintentional injury caused 648,000 deaths (7% of all deaths; 58/100,000 population). Unintentional injury mortality rates were higher among males than females, and in rural versus urban areas. Road traffic injuries (185,000 deaths; 29% of all unintentional injury deaths), falls (160,000 deaths, 25%) and drowning (73,000 deaths, 11%) were the three leading causes of unintentional injury mortality, with fire-related injury causing 5% of these deaths. The highest unintentional mortality rates were in those aged 70 years or older (410/100,000). CONCLUSIONS: These direct estimates of unintentional injury deaths in India (0.6 million) are lower than WHO indirect estimates (0.8 million), but double the estimates which rely on police reports (0.3 million). Importantly, they revise upward the mortality due to falls, particularly in the elderly, and revise downward mortality due to fires. Ongoing monitoring of injury mortality will enable development of evidence based injury prevention 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 | 0,018 | 0,003 |
| 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 | 0,000 |
| 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 ».