Modelling the health and economic impact of sugary sweetened beverage tax in Canada
Notice bibliographique
Résumé
BACKGROUND: With the increasing concerns about the health and economic burden attributed to sugar-sweetened beverages (SSBs) consumption, SSB taxation has been proposed and implemented in many countries. Many previous economic evaluations of SSB taxation have shown that this kind of policy is cost-effective. However, the magnitude of impact varies. This study aims to design a comprehensive model to estimate the impact and cost-effectiveness of the SSB tax in Canada. METHODS: A proportional multi-state life table-based Markov model was chosen to estimate the impacts of SSB tax in Canada. The health-related quality of life (including disability-adjusted life years (DALYs) and quality-adjusted life years (QALYs)), the costs (including health care costs and intervention costs), and the tax revenue were the main health and economic outcomes. We compared the simulated SSB tax with the current practice from the public health care payer perspective, and the tax was applied to the 2015 adult Canadian population up to 100 years. The economic model was built following guidelines from the Canadian Agency for Drugs and Technologies in Health. RESULTS: After implementing a CAD$0.015/oz SSB tax, 282,104 cases of overweight and obesity, 210,542 cases of diseases, and 2,189 deaths could be prevented. The simulated SSB tax has the potential to avert 2.3 million DALYs, gain 1.5 million QALYs, and save CAD$32,583 million in health care costs in a lifetime period. The incremental cost-effectiveness ratio for the SSB tax was CAD$ -24,933/QALY. The SSB tax with different tax levels (CAD$0.01/oz and CAD$0.02/oz) remained cost-effective. CONCLUSION: Implementing the SSB tax in Canada is a potential cost-effective policy option for reducing obesity and related chronic diseases. The model built in this study provides a more accurate estimate of health and economic impact of SSB tax and could be used to estimate other sugar tax options.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».