Global Burden of Asthma, and Its Impact on Specific Subgroups: Nasal Polyps, Allergic Rhinitis, Severe Asthma, Eosinophilic Asthma
Notice bibliographique
Résumé
Background: The complex nature of asthma has resulted in a poor understanding of its epidemiology, particularly in low-and middle-income countries (LMIC). Clinical subgroups, such as patients with severe asthma, eosinophilic asthma, allergic rhinitis, or nasal polyps, experience additional barriers to care. Methods: Prevalence estimates for asthma and key clinical subgroups were extracted from the Global Burden of Diseases, Injuries, and Risk Factors Study 2019 and from a targeted literature review conducted through PubMed in October of 2021. National estimates were calculated and the roles of potential explanatory factors were explored through qualitative analysis. Results: In total, 162 publications from 69 countries were included. Across continents, asthma prevalence values ranged from 3.44% (Asia), 3.67% (Africa), 4.90% (South America), 5.69% (Europe), 8.29% (North America), to 8.33% (Oceania). Globally, of those with asthma, 26.70% had severe asthma, 30.99% had eosinophilic asthma, 48.95% had allergic rhinitis, and 7.0% to 25.40% had nasal polyps. Countries with higher air quality, income status, and healthcare access and quality reported a higher asthma prevalence. Conclusion: Asthma prevalence values were low in LMICs, potentially indicating health system deficiencies resulting in low diagnosis and reporting. The prevalence of eosinophilic asthma and severe asthma phenotypes was high in many countries, although the prevalence estimates of all asthma subgroups were quite variable.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».