Alcohol consumption in India: a systematic review and modelling study for sub‐national estimates of drinking patterns
Notice bibliographique
Résumé
BACKGROUND AND AIMS: In India, alcohol per capita consumption (APC) has substantially increased over the past 2 decades. Although consumption does vary across the country, consistent state-level data are lacking. We aimed to identify all state-level alcohol exposure estimates since 2000 to (i) model consistent current drinking (CD) (12 months) prevalence estimates for all 36 states/union territories (UT) in 2019 and (ii) compare state-level CD trends with national-level APC trends. DESIGN: A systematic review for studies on the Indian state-level prevalence of CD, lifetime abstinence (LA), alcohol use disorders (AUD) or the quantity of alcohol consumed among current drinkers (QU) was conducted. Subsequently, statistical modelling was applied. SETTING: Data were collected and modelled for all Indian states/UTs. PARTICIPANTS: Studies since 2000 referring to the general adult population (≥15 years) of at least one Indian state/UT were eligible. The total sample size covered was ~29 600 000 (males: females, 1:1.6). MEASUREMENTS: Results on LA, AUD and QU were summarized descriptively. For (i) the state-, sex- and age-specific CD prevalence was estimated using random intercept fractional response models. For (ii) random intercept and slope models were performed. FINDINGS: Of 2870 studies identified, 30 were retained for data extraction. LA, AUD and QU data were available for 31, 36 and 12 states/UTs, respectively. CD model estimates ranged from 6.4% (95% CI = 2.1%-18.1%; males) in Lakshadweep and 1.3% (95% CI = 0.7%-2.6%; females) in Delhi to 76.1% (95% CI = 68.1%-82.6%; males) and 63.7% (95% CI = 49.4%-75.7%; females) in Arunachal Pradesh. Over time, CD decreased in most states/UTs in the observed data, contradicting increasing national-level APC trends. CONCLUSIONS: Alcohol use (measured as consistent current drinking) in India has large regional variations, with alcohol consumption being most prevalent in the North-East, Chhattisgarh, Telangana, Himachal Pradesh, Punjab and Jharkhand.
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 | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,023 |
| Bibliométrie | 0,015 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».