Burden of osteoarthritis in India and its states, 1990–2019: findings from the Global Burden of disease study 2019
Notice bibliographique
Résumé
Objective To describe the burden of osteoarthritis (OA) in India from 1990 to 2019. Design Data from Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2019 were used. The burden of OA –knee OA, hip OA, hand OA, and other OA– was estimated for India and its states from 1990 to 2019 through a systematic analysis of prevalence, incidence, years lived with disability (YLD), and disability-adjusted life years (DALY) using methods reported in GBD 2019 study. Result Around 23.46 million individuals in India had OA in 1990; this increased to 62.35 million in 2019. The age-standardised prevalence of OA increased from 4,895 (95% uncertainty interval (UI):4,420–5,447) in 1990–5313 (95%UI:4,799–5,898) in 2019, per 100,000 persons. Similarly, DALYs due to OA increased from 0.79 million (95%UI:0.40–1.55) to 2.12 million (95%UI:1.07–4.23); while age-standardised DALYs increased from 164 (95%UI:83–325) to 180 (95%UI:91–361) per 100,000 persons from 1990 to 2019. OA was the 20 th most common cause of YLDs in India in 2019, accounting for 1.48% (95%UI:0.88–2.78) of all YLDs; increasing from 23rd most common cause in 1990 (1.25%(95%UI:0.74–2.34)). Knee OA was the most common form of OA, followed by hand OA. The prevalence, incidence, and DALYs for OA and knee OA were consistently higher in females than males. Conclusion The burden and impact of OA in India are substantial and is increasing. Adopting suitable control and preventive community measures to reduce modifiable risk factors (obesity, injuries, occupational stress) are needed to reduce the current and future burden of OA in India.
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) | 0,001 | 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 ».