Can alcohol control policies reduce cirrhosis mortality? An interrupted time‐series analysis in Lithuania
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The relationship between alcohol consumption and cirrhosis is well established. Policies that can influence population-level use of alcohol should, in turn, impact cirrhosis. We examined the effect of population-level alcohol control policies on cirrhosis mortality rates in Lithuania - a high-income European Union country with high levels of alcohol consumption. METHODS: Age-standardized, monthly liver mortality data (deaths per 100,000 adults, aged 15+) from Lithuania were analysed from 2001 to 2018 (n = 216 months) while controlling for economic confounders (gross domestic product and inflation). An interrupted time-series analysis was conducted to estimate the effect of three alcohol control policies implemented in 2008, 2017 and 2018 and the number of cirrhosis deaths averted. RESULTS: There was a significant effect of the 2008 (P < .0001) and 2017 (P = .0003) alcohol control policies but a null effect of the 2018 policy (P = .40). Following the 2008 policy, the cirrhosis mortality rate dropped from 4.93 to 3.41 (95% CI: 3.02-3.80) deaths per 100,000 adults, which equated to 493 deaths averted. Further, we found that following the 2017 policy, the mortality rate dropped from 2.85 to 2.01 (95% CI: 1.50-2.52) deaths per 100,000 adults, corresponding to 245 deaths averted. CONCLUSIONS: Our findings support the hypothesis that alcohol control policies can have a significant, immediate effect on cirrhosis mortality. These policy measures are cost-effective and aid in reducing the burden of liver disease.
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 | 0,001 | 0,001 |
| 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) | 0,007 | 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 ».