The economic value of changing mortality risk in low- and middle-income countries: a systematic breakdown by cause of death
Notice bibliographique
Résumé
BACKGROUND: We develop a framework for quantifying monetary values associated with changes in disease-specific mortality risk in low- and middle-income countries to help quantify trade-offs involved in investing in mortality reduction due to one disease versus another. METHODS: We monetized the changes in mortality risk for communicable and non-communicable diseases (CD and NCD, respectively) between 2017 and 2030 for low-income, lower-middle-income, and upper-middle-income countries (LICs, LMICs, and UMICs, respectively). We modeled three mortality trajectories ("base-case", "high-performance", and "low-performance") using Global Burden of Disease study forecasts and estimated disease-specific mortality risk changes relative to the base-case. We assigned monetary values to changes in mortality risk using value of a statistical life (VSL) methods and conducted multiple sensitivity analyses. RESULTS: In terms of NCDs, the absolute monetary value associated with changing mortality risk was highest for cardiovascular diseases in older age groups. For example, being on the low-performance trajectory relative to the base-case in 2030 was valued at $9100 (95% uncertainty range $6800; $11,400), $28,300 ($24,200; $32,400), and $30,300 ($27,200; $33,300) for females aged 70-74 years in LICs, LMICs, and UMICs, respectively. Changing the mortality rate from the base-case to the high-performance trajectory was associated with high monetary value for CDs as well, especially among younger age groups. Estimates were sensitive to assumptions made in calculating VSL. CONCLUSIONS: Our framework provides a priority setting paradigm to best allocate investments toward the health sector and enables intersectoral comparisons of returns on investments from health interventions.
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 | 0,024 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».