MétaCan
Menu
Retour à la cohorte
Enregistrement W3195777960 · doi:10.1371/journal.pone.0253073

Burden of disease among the world’s poorest billion people: An expert-informed secondary analysis of Global Burden of Disease estimates

2021· article· en· W3195777960 sur OpenAlexaff
Matthew M Coates, Majid Ezzati, Gisela Robles Aguilar, Gene F. Kwan, Daniel Vigo, Ana Olga Mocumbi, Anne E. Becker, Julie Makani, Adnan A. Hyder, Yogesh Jain, Daniela Cristina Stefan, Neil Gupta, Andrew Marx, Gene Bukhman

Notice bibliographique

RevuePLoS ONE · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesLeona M. and Harry B. Helmsley Charitable Trust
Mots-clésPovertyDisease burdenPopulationEnvironmental healthExtreme povertyDiseaseBurden of diseaseGlobal healthMedicineDemographyPublic healthGeographySocioeconomicsEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The health of populations living in extreme poverty has been a long-standing focus of global development efforts, and continues to be a priority during the Sustainable Development Goal era. However, there has not been a systematic attempt to quantify the magnitude and causes of the burden in this specific population for almost two decades. We estimated disease rates by cause for the world's poorest billion and compared these rates to those in high-income populations. METHODS: We defined the population in extreme poverty using a multidimensional poverty index. We used national-level disease burden estimates from the 2017 Global Burden of Disease Study and adjusted these to account for within-country variation in rates. To adjust for within-country variation, we looked to the relationship between rates of extreme poverty and disease rates across countries. In our main modeling approach, we used these relationships when there was consistency with expert opinion from a survey we conducted of disease experts regarding the associations between household poverty and the incidence and fatality of conditions. Otherwise, no within-country variation was assumed. We compared results across multiple approaches for estimating the burden in the poorest billion, including aggregating national-level burden from the countries with the highest poverty rates. We examined the composition of the estimated disease burden among the poorest billion and made comparisons with estimates for high-income countries. RESULTS: The composition of disease burden among the poorest billion, as measured by disability-adjusted life years (DALYs), was 65% communicable, maternal, neonatal, and nutritional (CMNN) diseases, 29% non-communicable diseases (NCDs), and 6% injuries. Age-standardized DALY rates from NCDs were 44% higher in the poorest billion (23,583 DALYs per 100,000) compared to high-income regions (16,344 DALYs per 100,000). Age-standardized DALY rates were 2,147% higher for CMNN conditions (32,334 DALYs per 100,000) and 86% higher for injuries (4,182 DALYs per 100,000) in the poorest billion, compared to high-income regions. CONCLUSION: The disease burden among the poorest people globally compared to that in high income countries is highly influenced by demographics as well as large disparities in burden from many conditions. The comparisons show that the largest disparities remain in communicable, maternal, neonatal, and nutritional diseases, though NCDs and injuries are an important part of the "unfinished agenda" of poor health among those living in extreme poverty.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,132

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,055
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0070,007
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,284
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations88
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetGlobal Maternal and Child HealthTravaux en français237 207