Lifetime costs of alcohol consumption in Thailand: protocol for an incidence-based cost-of-illness study using Markov model
Notice bibliographique
Résumé
INTRODUCTION: Several prevalence-based cost-of-illness (COI) studies have been conducted to estimate the economic burden of alcohol consumption borne by a particular society in a given year. Yet there are few studies examining the economic costs incurred by an individual drinker over his/her lifetime. Thus, this study aims to estimate the costs incurred by an individual drinker's alcohol consumption over his or her lifetime in Thailand. METHODS AND ANALYSIS: An incidence-based COI approach will be employed. To project individuals' associated costs over a lifetime, a Markov modelling technique will be used. The following six alcohol-related diseases/conditions will be considered in the model: hypertension, haemorrhagic stroke, liver cirrhosis, liver cancer, alcohol use disorders and road injury. The analysis will cover both direct (ie, direct healthcare cost, costs of property damage due to road traffic accidents) and indirect costs (ie, productivity loss due to premature mortality and hospital-related absenteeism). The human capital approach will be adopted to estimate the cost of productivity loss. All costs will be presented in Thai baht, 2022. ETHICS AND DISSEMINATION: The Institutional Review Board of Mahidol University, Faculty of Dentistry/Faculty of Pharmacy has confirmed that no ethical approval is required (COE.No.MU-DT/PY-IRB 2021/010.0605). Dissemination of the study findings will be carried out through peer-reviewed publications, conferences and engagement with policy-makers and public health stakeholders.
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 | 0,025 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,067 | 0,005 |
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 ».