Childhood and adult mortality from unintentional falls in India
Notice bibliographique
Résumé
OBJECTIVE: To estimate fall-related mortality by type of fall in India. METHODS: The authors analysed unintentional injury data from the ongoing Million Death Study from 2001-2003 using verbal autopsy and coding of all deaths in accordance with the International statistical classification of diseases and related health problems, tenth revision, in a nationally representative sample of 1.1 million homes throughout the country. FINDINGS: Falls accounted for 25% (2003/8023) of all deaths from unintentional injury and were the second leading cause of such deaths. An estimated 160,000 fall-related deaths occurred in India in 2005; of these, nearly 20,000 were in children aged 0-14 years. The unintentional-fall-related mortality rate (MR) per 100,000 population was 14.5 (99% confidence interval, CI: 13.7-15.4). Rates were similar for males and females at 14.9 (99% CI: 13.7-16.0) and 14.2 (99% CI: 13.1-15.4) per 100,000 population, respectively. People aged 70 years or older had the highest mortality rate from unintentional falls (MR: 271.2; 99% CI: 249.0-293.5), and the rate was higher among women (MR: 281; 99% CI: 249.7-311.3). Falls on the same level were the most common among older adults, whereas falls from heights were more common in younger age groups. CONCLUSION: In India, unintentional falls are a major public health problem that disproportionately affects older women and children. The contexts in which these falls occur and the resulting morbidity and disability need to be better understood. In India there is an urgent need to develop, test and implement interventions aimed at preventing 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 ».