Disparities in mortality rates from aortic aneurysm and dissection by country-level income status and sex
Notice bibliographique
Résumé
Objective To investigate the impact of national income level and sex on mortality trends from aortic aneurysm and dissection in addition to all aortic disease as a whole. Methods Using data from the World Health Organization mortality database, we conducted an analysis of mortality trends from aortic disease between 2000 and 2019, Countries were categorized into middle-income and high-income countries (MICs and HICs) on the basis of income level. Age-standardized and sex-specific age-standardized mortality rates per 100,000 persons, along with male-to-female mortality ratios, were calculated. Trends over the study period were analyzed using joinpoint regression. Results Our analysis comprised 29 MICs and 46 HICs, with an average population of 595 million and 1042 million during the observation period. During the observation period, age-standardized mortality rates from aortic disease decreased to 2.21 (2.17-2.25) and 2.28 (2.26-2.30) in MICs and HICs, respectively (average annual percentage change of −0.5% in MICs and −1.8% in HICs, P < .05 for both). However, mortality rates from aortic dissection increased in HICs from 2000 to 2019 (average annual percentage change of 1.3%, P < .001). Mortality from aortic disease, aortic dissection, and aortic aneurysm were male dominant in MICs and HICs but decreasing trends during the observation periods except for aortic dissection in MICs. Conclusions We present the contemporary and comprehensive analysis of global socioeconomic status and aortic diseases mortality. Although trends of mortality from aortic diseases are on the decline in both MICs and HICs, there is a striking increase in mortality for aortic dissection, specifically in HICs.
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 | 0,000 | 0,000 |
| 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 ».