Cause-specific mortality by education in Canada: a 16-year follow-up study.
Notice bibliographique
Résumé
BACKGROUND: People with lower levels of education tend to have higher rates of disease and death, compared with people who have higher levels of education. However, because death registrations in Canada do not contain information on the education of the deceased, unlinked vital statistics cannot be used to examine mortality differentials by education. METHODS: This study examines cause-specific mortality rates by education in a broadly representative sample of Canadians aged 25 or older. The data are from the 1991 to 2006 Canadian census mortality follow-up study, which included about 2.7 million people and 426,979 deaths. Age-standardized mortality rates (ASMRs) were calculated by education for different causes of death. Rate ratios, rate differences and excess mortality were also calculated. RESULTS: All-cause ASMRs were highest among people with less than secondary graduation and lowest for university degree-holders. If all cohort members had the mortality rates of those with a university degree, the overall ASMRs would have been 27% lower for men and 22% lower for women. The causes contributing most to that "excess" mortality were ischemic heart disease, lung cancer, chronic obstructive pulmonary disease, stroke, diabetes, injuries (men), and respiratory infections (women). Causes associated with smoking and alcohol abuse had the steepest gradients. INTERPRETATION: A mortality gradient by education was evident for many causes of death.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».