Epidemiological characteristics of centenarian deaths in China during 2013–2020: A trend and subnational analysis
Notice bibliographique
Résumé
BACKGROUND: Studies that comprehensively address the characteristics of centenarian deaths are rare. The present study aimed to depict the characteristics of centenarian deaths in China and their changing trends. METHODS: Data on centenarian deaths between 2013 and 2020 were obtained from the national mortality surveillance system of China, including date, place of death (PoD), and underlying cause of death (CoD). Descriptive analyses were performed to understand the epidemiological characteristics, and a joinpoint regression model was adopted to examine the changing trends in the proportions of different PoDs, CoDs among centenarians, and centenarian deaths accounting for all deaths and deaths among people aged 65 years and older. RESULTS: There were 46,938 registered centenarian deaths between 2013 and 2020 that included 34,311 females (73.10%) and 12,627 males (26.90%). January (12.05%), February (9.99%), and December (9.74%) were the top three months with the highest number of deaths. The proportions of deaths that occurred in homes, hospitals, and nursing homes were 81.71%, 13.63%, and 2.68%, respectively. The proportion of deaths in nursing homes increased by 9.60% (95% confidence intervals [CIs], 6.4-12.9%) from 2014 to 2020. Heart disease (35.72%) was the leading cause of death, followed by respiratory diseases (17.63%), cerebrovascular disease (15.60%), and old age (11.22%). The proportion of respiratory diseases decreased by 4.8% (95% CI, -8.8 to -0.7%), and the proportion of deaths from old age decreased by 2.3% (95% CI, -4.4 to -0.1%) per year. Shanghai had the highest proportions of deaths in hospitals (39.38%) and nursing homes (14.68%). Sichuan had the highest proportion of deaths attributed to respiratory diseases (32.30%), while Jiangsu (26.58%) and Zhejiang (23.61%) had the highest proportions of deaths from old age. CONCLUSION: Unlike other countries, centenarian deaths in China are characterized by a higher proportion of home and heart disease deaths, and this death pattern differs across provinces.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».