The impact of alcohol taxation increase on all-cause mortality inequalities in Lithuania: an interrupted time series analysis
Notice bibliographique
Résumé
BACKGROUND: Taxation increases which reduce the affordability of alcohol are expected to reduce mortality inequalities. A recent taxation increase in Lithuania offers the unique possibility to test this hypothesis. METHODS: Census-linked mortality data between 2011 and 2019 were used to calculate monthly sex- and education-stratified age-standardized mortality rates for the population aged 40 to 70 years. As primary outcome, we analysed the difference in age-standardized all-cause mortality rates between the population of lowest versus highest educational achievement. The impact of the 2017 taxation increase was evaluated using interrupted time series analyses. To identify whether changes in alcohol use can explain the observed effects on all-cause mortality, the education-based mortality differences were then decomposed into n = 16 cause-of-death groupings. RESULTS: Between 2012 and 2019, education-based all-cause mortality inequalities in Lithuania declined by 18% among men and by 14% among women. Following the alcohol taxation increase, we found a pronounced yet temporary reduction of mortality inequalities among Lithuanian men (- 13%). Subsequent decomposition analyses suggest that the reduction in mortality inequalities between lower and higher educated men was mainly driven by narrowing mortality differences in injuries and infectious diseases. CONCLUSIONS: A marked increase in alcohol excise taxation was associated with a decrease in mortality inequalities among Lithuanian men. More pronounced reductions in deaths from injuries and infectious diseases among lower as compared to higher educated groups could be the result of differential changes in alcohol use in these populations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».