On the road to universal health care in Indonesia, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016
Notice bibliographique
Résumé
BACKGROUND: As Indonesia moves to provide health coverage for all citizens, understanding patterns of morbidity and mortality is important to allocate resources and address inequality. The Global Burden of Disease 2016 study (GBD 2016) estimates sources of early death and disability, which can inform policies to improve health care. METHODS: We used GBD 2016 results for cause-specific deaths, years of life lost, years lived with disability, disability-adjusted life-years (DALYs), life expectancy at birth, healthy life expectancy, and risk factors for 333 causes in Indonesia and in seven comparator countries. Estimates were produced by location, year, age, and sex using methods outlined in GBD 2016. Using the Socio-demographic Index, we generated expected values for each metric and compared these against observed results. FINDINGS: In Indonesia between 1990 and 2016, life expectancy increased by 8·0 years (95% uncertainty interval [UI] 7·3-8·8) to 71·7 years (71·0-72·3): the increase was 7·4 years (6·4-8·6) for males and 8·7 years (7·8-9·5) for females. Total DALYs due to communicable, maternal, neonatal, and nutritional causes decreased by 58·6% (95% UI 55·6-61·6), from 43·8 million (95% UI 41·4-46·5) to 18·1 million (16·8-19·6), whereas total DALYs from non-communicable diseases rose. DALYs due to injuries decreased, both in crude rates and in age-standardised rates. The three leading causes of DALYs in 2016 were ischaemic heart disease, cerebrovascular disease, and diabetes. Dietary risks were a leading contributor to the DALY burden, accounting for 13·6% (11·8-15·4) of DALYs in 2016. INTERPRETATION: Over the past 27 years, health across many indicators has improved in Indonesia. Improvements are partly offset by rising deaths and a growing burden of non-communicable diseases. To maintain and increase health gains, further work is needed to identify successful interventions and improve health equity. FUNDING: The Bill & Melinda Gates Foundation.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,009 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».