Estimating alcohol‐attributable fractions for injuries based on data from emergency department and observational studies: a comparison of two methods
Notice bibliographique
Résumé
AIM: To compare the injury alcohol-attributable fractions (AAFs) estimated using emergency department (ED) data to AAFs estimated by combining population alcohol consumption data with corresponding relative risks (RRs). DESIGN: Comparative risk assessment. SETTING AND PARTICIPANTS: ED studies in 27 countries (n = 24 971). MEASUREMENTS: AAFs were estimated by means of an acute method using data on injury cases from 36 ED studies combined with odds ratios obtained from ED case-cross-over studies. Corresponding AAFs for injuries were estimated by combining population-level data on alcohol consumption obtained from the Global Information System on Alcohol and Health, with corresponding RRs obtained from a previous meta-analysis. FINDINGS: ED-based injury AAF estimates ranged from 5% (Canada 2002 and the Czech Republic) to 40% (South Africa), with a mean AAF among all studies of 15.4% (18.9% for males and 8.4% for females). Population-based injury AAF estimates ranged from 21% (India) to 51% (Spain and the Czech Republic), with a mean AAF among all country-years of 36.8% (42.5% for males and 22.5% for females). The Pearson correlation coefficient for the two types of injury AAF estimates was 0.09 for the total, 0.06 for males and 0.32 for females. CONCLUSIONS: Two methods of estimating the injury alcohol-attributable fractions-emergency department data versus population method-produce widely differing results. Across 36 country-years, the mean AAF using the population method was 36.8%, more than twice as large as emergency department data-based acute estimates, which average 15.4%.
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 | 0,252 | 0,491 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,013 | 0,030 |
| Bibliométrie | 0,024 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».