Prevalence of alcohol use disorders in primary health‐care facilities in Russia in 2019
Notice bibliographique
Résumé
AIMS: To estimate prevalence of alcohol use disorders (AUD) and alcohol dependence (AD) for Russia in 2019, based on clients in primary health-care facilities. DESIGN: Cross-sectional assessment of AUD and AD. Prevalence estimates were cross-validated using a treatment multiplier methodology. SETTING: A total of 21 primary health-care facilities, including dispanserization units (population health preventive care settings). PARTICIPANTS: A total of 2022 participants (986 women and 1036 men) 18 years of age and older. MEASUREMENTS: Composite International Diagnostic Interview. FINDINGS: The prevalence of AD and AUD was 7.0% [95% confidence interval (CI) = 5.9-8.1%] and 12.2% (95% CI = 10.8-13.6%), respectively. Marked sex differences were observed for the prevalence of AD (women: 2.8%; 95% CI = 1.7-3.8%; men: 12.2%; 95% CI = 10.3-14.1%) and AUD (women: 6.1%; 95% CI = 4.6-7.7%; men: 19.5%; 95% CI = 17.2-21.8%). Age patterns of AD and AUD prevalence were sex-specific. Among women, the prevalence of AUD and AD was highest in the youngest age group and decreased with age. Among men, the prevalence of AUD and AD was highest among men aged 45-59 years. Sensitivity analyses indicated that the prevalence of AD as estimated using a treatment multiplier (6.5%; 95% CI = 5.0-8.9%) was similar to the estimates of the main analysis. CONCLUSIONS: Even though alcohol use has declined since 2003 in Russia, the prevalence of alcohol use disorders and alcohol dependence remains high at approximately 12 and 7%, respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».