Best Investments in Chronic, Noncommunicable Disease Prevention and Control in Low- and Lower–Middle-Income Countries
Notice bibliographique
Résumé
Abstract The world remains off-track for the sustainable development goal (SDG) target 3.4, which calls for a one-third reduction in noncommunicable diseases (NCDs) mortality by 2030. This paper presents benefit–cost analyses of various NCD interventions in low-income (LICs) and lower–middle-income (LMCs) countries. We looked at 30 interventions recommended by the Disease Control Priorities Project, including six intersectoral policies (e.g., taxes) and 24 clinical services. We used a previously published model to estimate intervention costs and benefits through 2030, discounted at 8%. We focused on interventions with benefit–cost ratios (BCRs) > 15 and their contribution toward achieving the SDG target. We found that intersectoral policies often provided great value for money, with BCRs ranging from 40 ( trans -fat bans) to 100 (tobacco excise taxes). However, seven clinical interventions (e.g., basic treatment of cardiovascular disease or breast cancer) also had BCRs > 15. The overall population impact of clinical interventions over the 2023–2030 period would be much higher than that of the intersectoral policies, which can take many years to reach their peak effects. Fully implementing the best-investment interventions would accelerate progress toward SDG 3.4 everywhere, but only one in 10 countries would achieve the target. This strategy would require an additional US$ 2.4 billion annually across all LICs and LMCs. We conclude that there are several cost-beneficial opportunities to tackle NCDs in LICs and LMCs. In countries with very limited resources, the best-investment interventions could begin to address the major NCD risk factors and build greater health system capacity, with benefits continuing to accrue beyond 2030.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».