The Impact of 51 Risk Factors on Life Expectancy in Canada: Findings from a New Risk Prediction Model Based on Data from the Global Burden of Disease Study
Notice bibliographique
Résumé
The aims of this study were (1) to develop a comprehensive risk-of-death and life expectancy (LE) model and (2) to provide data on the effects of multiple risk factors on LE. We used data for Canada from the Global Burden of Disease (GBD) Study. To create period life tables for males and females, we obtained age/sex-specific deaths rates for 270 diseases, population distributions for 51 risk factors, and relative risk functions for all disease-exposure pairs. We computed LE gains from eliminating each factor, LE values for different levels of exposure to each factor, and LE gains from simultaneous reductions in multiple risk factors at various ages. If all risk factors were eliminated, LE in Canada would increase by 6.26 years for males and 5.05 for females. The greatest benefit would come from eliminating smoking in males (2.45 years) and high blood pressure in females (1.42 years). For most risk factors, their dose-response relationships with LE were non-linear and depended on the presence of other factors. In individuals with high levels of risk, eliminating or reducing exposure to multiple factors could improve LE by several years, even at a relatively advanced age.
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 | 0,004 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».