MétaCan
Menu
Retour à la cohorte
Enregistrement W2550241561 · doi:10.1177/1054137316678549

Epidemiological Transition and Population Health: Understanding Social Determinants of Health in China

2016· article· en· W2550241561 sur OpenAlexafffund
Soma Hewa, Bo Liu

Notice bibliographique

RevueIllness Crisis & Loss · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensQueen's University
Organismes subventionnairesUniversity of British Columbia
Mots-clésEpidemiologyEpidemiological transitionHealth promotionSocial determinants of healthContext (archaeology)Public healthDiseasePopulation healthPopulationChinaSocial epidemiologyMedicineEnvironmental healthGlobal healthEconomic growthPolitical scienceGeographyPathology

Résumé

récupéré en direct d'OpenAlex

This article has twin objectives: First, the article briefly examines major theoretical interpretations of disease causations in Western medicine, their limitations in understanding social epidemiology, and the gradual development of the population health approach to health promotion and disease prevention in the context of chronic diseases in Western industrialized societies. Second, the article examines the current epidemiological trends in China and the relevance of population health perspectives and strategies to promote health. While analyzing some recent findings on social determinants of health in China, the article argues that effective population health strategies for health promotion must be based on a social epidemiology that provides information necessary to promote health. Although infectious diseases still make a significant contribution to China’s mortality and morbidity figures, the incidence of chronic diseases such as malignancies, heart disease, respiratory disease, and cerebrovascular disease is steadily increasing. Finally, in view of the current epidemiological trend, and the need to tackle the multiple health challenges, this discursive analysis proposes a number of key research areas within the broader context of social epidemiology that may facilitate future health policies in China.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,192
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,411
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIllness Crisis & LossMême sujetHealth disparities and outcomesTravaux en français237 207