Burden of Skin and Subcutaneous Diseases in Iran and Neighboring Countries: Results from the Global Burden of Disease Study 2015.
Notice bibliographique
Résumé
BACKGROUND: Iran and its neighboring countries represent four world regions with unique cultures and geography. Skin diseases span a wide diversity of etiologies including infectious, inflammatory, autoimmune, vascular, neurogenic, and oncologic. The Global Burden of Disease Study (GBD) 2015 measures the burden from skin diseases in 195 countries. METHODS: Epidemiologic data were collected from literature review, survey data, and hospital inpatient/outpatient claims data. These raw data entered modeling using a Bayesian meta-regression tool, DisMod MR-2.1, which yielded prevalence estimates by age/sex/location/year. Prevalence estimates were combined with disability weights to yield years lived with disability (YLDs). YLDs are combined with years of life lost (YLLs), from mortality estimates, to yield disability-adjusted life years (DALYs). DALYs were obtained for 16 skin conditions and both sexes in Iran and 15 surrounding countries. The sociodemographic index (SDI) for each country was also correlated with skin disease DALY rate using the Pearson coefficient (r) with two-tailed P-value. RESULTS: There was no significant correlation between individual skin diseases and SDI. Acne and dermatitis caused the greatest burden and BCC the lowest burden of skin diseases in Iran and the other 15 countries. SCC and BCC were responsible for the largest discrepancy by sex, with higher burden in males compared to females. CONCLUSION: Skin diseases, particularly dermatitis and acne, cause considerable burden in Iran and surrounding regions. Objective and transparent epidemiologic data such as GBD has the potential to inform and impact many facets of healthcare, research prioritization, public policy, and international partnerships.
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 | 0,001 |
| 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) | 0,000 | 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 ».