Achieving good health and well-being in Africa by 2030 using multi-state models, survival analysis, statistical methods for evidence-based medicine, diagnosis and determination of risk factors
Notice bibliographique
Résumé
Seventeen Sustainable Development Goals (SGDs) were adopted by the World Health Organization (WHO) in 2015 for the 2030 Agenda for Sustainable Development. Sustainable Development Goal 3 (SDG3) is ‘Better health and well-being by 2030’. According to WHO, good health in the context of SDG3 is assessed with respect to the level and distribution of individuals’ and communities’ healthy life, conditions that affect health and well-being and risk factors whose presence would affect health and well-being. The overall aim is that each SDG target is achieved by 2030. In 2018 the WHO used statistical methods to assess the state of health in Africa in the context of SDG3. Their analysis revealed successes and shortfalls towards attaining SDG3. Backed by public health and other activities, statistics play an important role in improving the health and well-being of Africa. This paper explains how statistics can be used to help African countries to attain SDG3, in its role in modeling event histories, diagnosis, evidence-based medicine, determination of risk factors of exposures of morbidity and mortality, determination of risk factors of morbidity and mortality, the computation of the level and distribution of vital events, measuring disease frequency and progress, quantification of life expectancy and monitoring and evaluation.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».