Notice bibliographique
Résumé
OBJECTIVES: There is limited cross-national research on youth mortality. We examined age-and gender-variations in all-cause mortality among youth aged 15-34 years across 52 countries. METHODS: Using the 2014 WHO mortality database, mortality rates for all countries were computed for the latest available year between 2007 and 2012. Rates, rate ratios, and ordinary least squares (OLS) and Poisson regression were used to analyze international variation in mortality. RESULTS: Mortality rates among youth aged 15-34 years varied from a low of 28.4 deaths per 100,000 population for Hong Kong to a high of 250.6 for Russia and 619.1 for South Africa. For men aged 15-34, Singapore and Hong Kong had the lowest mortality rates (≈40 per 100,000), compared with South Africa and Russia with rates of 589.7 and 383.3, respectively. Global patterns in mortality among women were similar. Youth aged 15-24 in South Africa had 14 times higher mortality and those in the Philippines, Mexico, Russia, Colombia, and Brazil had 5-7 times higher mortality than those in Hong Kong. Youth aged 25-34 in Russia and South Africa had, respectively, 10 and 29 times higher mortality than their counterparts in Hong Kong. United States (US) had the 12th highest mortality rate among youth aged 15-24 and the 13th highest rate among youth aged 25-34. Overall, the US youth had 2-3 times higher rates of mortality than their counterparts in many industrialized countries including Hong Kong, Singapore, Netherlands, Switzerland, Germany, Norway, and Sweden. Income inequality, unemployment rate, and human development explained 50-66% of the global variance in youth mortality. Compared to the countries with low unemployment and income inequality and high human development levels, countries with high unemployment and income inequality and low human development had, respectively, 343%, 213%, and 205% higher risks of youth mortality. CONCLUSIONS AND GLOBAL HEALTH IMPLICATIONS: Marked international disparities in youth all-cause mortality largely reflect differences in violence and injury deaths and in such risk factors as unemployment, income inequality, human development, and alcohol consumption. The US ranks in the upper quartile of all-cause mortality, with youth in Canada and many western industrialized countries showing signifi cantly lower mortality risks than the US youth.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».