Economic burden of suicide deaths in India (2019): a retrospective, cross-sectional study
Notice bibliographique
Résumé
Background: India has the highest number of suicide deaths in the world. Suicide prevention requires policy attention and resource allocation. Evidence of economic losses due to disease burden can influence such allocations. We assessed the economic burden and its distribution across states and demographic groups in India. Methods: We used the human capital approach in this retrospective cross-sectional analysis to assess the economic burden of suicide in India for the year 2019 for 28 Indian states and 3 union territories (UTs). We calculated the monetary value for the years of life lost disaggregated by states, age groups, and sexes. For sensitivity, we present a library of estimates using different discount rates, life expectancy thresholds, and estimates specific to the populations that can participate in the workforce. Findings: The national economic burden of suicide was US$ 16,749,079,455 (95% Uncertainty Interval: 11,913,034,910-22,404,233,468). The top three states, Karnataka, Tamil Nadu, and Maharashtra, contributed to 44.82% of the total burden in India. The age group 20-34 years had the largest suicide burden and contributed to 53.05% of the overall national economic burden (US$ 8,885,436,385 [6,493,912,818-11,694,138,884]). Twenty states and UTs had a greater economic burden for females than males. Interpretation: The current analysis ascertains a high economic burden of suicide among the Indian youth and females, necessitating concerted multisectoral efforts and immediate investments. Funding: None.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».