Estimating alcohol‐attributable injury deaths: A comparison of epidemiological methods
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Injuries often involve alcohol, but determining the proportion caused by alcohol is difficult. Several approaches have been used to determine the causal role of alcohol, but these methods have not been compared directly with one another. Such a comparison would be useful for understanding the strengths and comparability of different approaches. This study compared estimates of average annual alcohol-attributable deaths in the United States from injuries during 2015-19 using a blood alcohol concentration (BAC) method compared with a population attributable fraction (PAF) approach. METHODS: For the BAC method, we used a direct method involving the proportion of decedents with a high blood alcohol concentration (BAC; e.g. ≥ 0.10%). For the PAF approach, we compared the use of unadjusted survey data with average consumption data adjusted using alcohol sales data to account for underreporting and also accounting for the underreporting of binge drinking. Survey data were from the Behavioral Risk Factor Surveillance System and mortality data were from the National Vital Statistics System. RESULTS: The number of alcohol-attributable injury deaths using the direct method (48 516 deaths annually) was similar to that using PAF methods (47 879 deaths annually), but only when alcohol use measures were adjusted using alcohol sales data. Furthermore, estimates were similar for cause-specific categories of deaths, including non-motor vehicle unintentional injuries and motor vehicle crashes. Among PAF methods, excessive drinking accounted for 38.3% of injury deaths using unadjusted survey data, but 64.8% of injury deaths using adjusted data. CONCLUSIONS: Estimates of alcohol-attributable injury deaths from a direct method and from a population attributable fraction method that adjusts for alcohol use based on alcohol sales data appear to be comparable.
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) | 0,000 | 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 ».