Global cirrhosis prevalence trends and attributable risk factors–an ecological study using data from 1990–2019
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Cirrhosis is a major public health issue worldwide with significant morbidity and mortality. We aimed to explore the time series associations between varying levels of risk factors and cirrhosis prevalence and predict the cirrhosis prevalence under alternative scenarios to consolidate evidence for further intervention plans. METHODS: We collected data of cirrhosis and its risk factors from 1990 to 2019 across 178 countries and used a generalized linear mixed model to explore the time series associations between cirrhosis and risk factors. We simulated scenarios with varying levels of risk factors and investigated benefits gained from the control of risk factors compared with the status quo. RESULTS: The global cirrhosis prevalence varied geographically, with the highest observed in East and Southeast Asia, mainly due to high hepatitis prevalence. Our study revealed that each 1% increase in prevalence of hepatitis B and C, cirrhosis prevalence would correspondingly increase 0.028% and 0.288%. There would be approximately 392.15 million fewer cirrhosis patients if the goals of a 65% reduction in prevalence of hepatitis and a 10% reduction in alcohol consumption were achieved. CONCLUSIONS: Given that cirrhosis prevalence has different risk factors depending on geography, it is important to identify an appropriate set of interventions for cirrhosis that are adapted to the epidemiological situation in a specific country. Interventions targeting hepatitis may have a significant impact on global cirrhosis prevalence, therefore, the adoption of specific interventions for hepatitis in high-burden regions and high-risk groups is warranted to lower the global burden of cirrhosis.
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) | 0,003 | 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 ».