Assessing mortality registration in Kerala: the MARANAM study
Notice bibliographique
Résumé
Complete or improving civil registration systems in sub-national areas in low- and middle-income countries provide several opportunities to better understand population health and its determinants. In this article, we provide an assessment of vital statistics in Kerala, India. Kerala is home to more than 33 million people and is a comparatively low-mortality context. We use individual-level vital registration data on more than 2.8 million deaths between 2006 and 2017 from the Kerala MARANAM (Mortality and Registration Assessment and Monitoring) Study. Comparing age-specific mortality rates from the Civil Registration System (CRS) to those from the Sample Registration System (SRS), we do not find evidence that the CRS underestimates mortality. Instead, CRS rates are smoother across ages and less variable across periods. In particular, the CRS records higher death rates than the SRS for ages, where mortality is usually low and for women. Using these data, we provide the first set of annual sex-specific life tables for any state in India. We find that life expectancy at birth was 77.9 years for women in 2017 and 71.4 years for men. Although Kerala is unique in many ways, our findings strengthen the case for more careful attention to mortality records within low- and middle-income countries, and for their better dissemination by government agencies. SUPPLEMENTARY INFORMATION: The online version contains supplementary material available at 10.1186/s41118-021-00149-z.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».