The temporal trend of cause-specific mortality: comparing Estonia and Lithuania, 2001 – 2019
Notice bibliographique
Résumé
BACKGROUND: Despite being two Baltic countries with similar histories, Estonia and Lithuania have diverged in life expectancy trends in recent years. We investigated this divergence by comparing cause-specific mortality trends. METHODS: We obtained yearly mortality data for individuals 20 + years of age from 2001-2019 (19 years worth of data) through Statistics Lithuania, the Lithuanian Institute for Hygiene, and the National Institute for Health Development (Estonia). Using ICD-10 codes, we analyzed all-cause mortality rates and created eight major disease categories: ischemic heart disease, cerebrovascular disease, all other cardiovascular disease, cancers (neoplasms), digestive diseases, self-harm and interpersonal violence, unintentional injuries and related conditions, and other mortality (deaths per 100,000 population). We used joinpoint regression analysis, and analyzed the proportional contribution of each category to all-cause mortality. RESULTS: There was a steeper decline in all-cause mortality in Estonia (average annual percent change, AAPC = -2.55%, 95% CI: [-2.91%, -2.20%], P < .001) as compared to Lithuania (AAPC = -1.26%, 95% CI: [-2.18%, -0.57%], P = .001). For ischemic heart disease mortality Estonia exhibited a relatively larger decline over the 19-year period (AAPC = -6.61%, 95% CI: [-7.02%, -6.21%], P < .001) as compared to Lithuania (AAPC = -2.23%, 95% CI: [-3.40%, -1.04%], P < .001). CONCLUSION: Estonia and Lithuania showed distinct mortality trends and distributions of major disease categories. Our findings highlight the role of ischemic heart disease mortality. Differences in public health care, management and prevention of ischemic heart disease, alcohol control policies may explain these differences.
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 | 0,002 | 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 ».