Global, regional and national burden of emergency medical diseases using specific emergency disease indicators: analysis of the 2015 Global Burden of Disease Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: There are currently no metrics for measuring population-level burden of emergency medical diseases (EMDs). This study presents an analysis of the burden of EMDs using two metrics: the emergency disease mortality rate (EDMR) and the emergency disease burden (EDB) per 1000 population at the national, regional and global levels. METHODS: We used the 1990 and 2015 Global Burden of Disease Study for morbidity and mortality data on 249 medical conditions in 195 countries. Thirty-one diseases were classified as 'emergency medical diseases' based on earlier published work. We developed two indicators, one focused on mortality (EDMR) and the other on burden (EDB). We compared the EDMR and EDB across countries, regions and income groups and compared these metrics from 1990 to 2015. RESULTS: In 2015, globally, there were 28.3 million deaths due to EMDs. EMDs contributed to 50.7% of mortality and 41.5% of all burden of diseases. The EDB in low-income countries is 4.4 times that of high-income countries. The EDB in the African region is 273 disability-adjusted life years (DALYs) per 1000 compared with 100 DALYs per 1000 in the European region. There has been a 6% increase in overall mortality due to EMDs from 1990 to 2015. Globally, injuries (22%), ischaemic heart disease (17%), lower respiratory infections (11%) and haemorrhagic strokes (7%) made up about 60% of EMDs in 2015. CONCLUSION: Globally, EMDs contributed to more than half of all years of life lost. There is a significant disparity between the EDMR and EDB between regions and socioeconomic groups at the global level.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| 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) | 0,001 | 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 découle