Dynamics of combatting market-driven epidemics: Insights from U.S. reduction of cigarette, sugar, and prescription opioid consumption
Notice bibliographique
Résumé
Misuse and overconsumption of certain consumer products have become major global risk factors for premature deaths, with their total costs in trillions of dollars. Progress in reducing such deaths has been slow and difficult. To address this challenge, this review introduces the definition of market-driven epidemics (MDEs), which arise when companies aggressively market products with proven harms, deny these harms, and resist mitigation efforts. MDEs are a specific within the broader landscape of commercial determinants of health. We selected three illustrative MDE products reflecting different consumer experiences: cigarettes (nicotine delivery product), sugar (food product), and prescription opioids (medical product). Each met the MDE case definition with proven adverse health impacts, well-documented histories, longitudinal product consumption and health impact data, and sustained reduction in product consumption. Based on these epidemics, we describe five MDE phases: market expansion, evidence of harm, corporate resistance, mitigation, and market adaptation. From the peak of consumption to the most recent data, U.S. cigarette sales fell by 82%, sugar consumption by 15%, and prescription opioid prescriptions by 62%. For each, the consumption tipping point occurred when compelling evidence of harm, professional alarm, and an authoritative public health voice and/or public mobilization overcame corporate marketing and resistance efforts. The gap between suspicion of harm and the consumption tipping point ranged from one to five decades-much of which was attributable to the time required to generate sufficient evidence of harm. Market adaptation to the reduced consumption of target products had both negative and positive impacts. To our knowledge, this is the first comparative analysis of three successful efforts to change the product consumption patterns and the associated adverse health impacts of these products. The MDE epidemiological approach of shortening the latent time to effective mitigation provides a new method to reduce the impacts of harmful products.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».