MétaCan
Menu
Retour à la cohorte
Enregistrement W4404533016 · doi:10.1016/s0140-6736(24)02417-6

Halving premature death and improving quality of life at all ages: cross-country analyses of past trends and future directions

2024· article· en· W4404533016 sur OpenAlexaff
Ole Frithjof Norheim, Angela Y. Chang, Sarah Bolongaita, Mariana Barraza-Lloréns, Ayodamope Fawole, Lia Tadesse Gebremedhin, Eduardo González-Pier, Prabhat Jha, Emily Johnson, Omar Karlsson, Mizan Kiros, Sarah Lewington, Wenhui Mao, Osondu Ogbuoji, Muhammad Ali Pate, Xuyang Tang, David Watkins, Gavin Yamey, Dean T. Jamison, Richard Peto

Notice bibliographique

RevueThe Lancet · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInsurance, Mortality, Demography, Risk Management
Établissements canadiensCentre for Global Health ResearchPublic Health Ontario
Organismes subventionnairesMedical Research CouncilHarvard UniversityHarvard T.H. Chan School of Public HealthDirektoratet for UtviklingssamarbeidNorges ForskningsrådBill and Melinda Gates Foundation
Mots-clésEnvironmental healthCross-sectional studyDemographyMedicineGerontologyGeographySociologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Although death in old age is unavoidable, premature death-defined here as death before age 70 years-is not. To assess whether halving premature mortality by 2050 is feasible, we examined the large variation in premature death rates before age 70 years and trends over the past 50 years (1970-2019), covering ten world regions and the 30 most-populous nations. This analysis was undertaken in conjunction with the third report of The Lancet Commission on Investing in Health: Global Health 2050: the path to halving premature death by mid-century. METHODS: In this cross-country analysis of past mortality trends and future directions, all analyses on the probability of premature death (PPD) were conducted using life tables from the UN World Population Prospects 2024. For each sex, country, and year, probability of death was calculated from these life tables with 1-year age-specific mortality rates. FINDINGS: Globally, PPD decreased from 56% in 1970 to 31% in 2019, although some countries saw reversals because of conflict, social instability, or HIV and AIDS. Child mortality has decreased faster than adult mortality. Among all countries, 34 halved their PPD over three decades between 1970 and 2019. Among the 30 most-populous countries, seven countries, with varying levels of baseline PPD and income, halved their PPD in the past half century. Seven of the most-populous countries had average annual rates of improvement in the period 2010-19 that, if sustained, could lead to a halving of PPD by 2050, including Korea (3·9%), Bangladesh (2·8%), Russia (2·7%), Ethiopia (2·4%), Iran (2·4%), South Africa (2·4%), and Türkiye (2·3%). INTERPRETATION: Halving premature death by 2050 is feasible, although substantial investments in child and adult health are needed to sustain or accelerate the rate of improvement for high-performing and medium-performing countries. Particular attention must be paid to countries with very low or a worsening rate of improvement in PPD. By reducing premature mortality, more people will live longer and more healthy lives. However, as people live longer, the absolute number of years lived with chronic disease will increase and investments in services reducing chronic disease morbidity are needed. FUNDING: The Norwegian Agency for Development Cooperation, the Bill & Melinda Gates Foundation, and a Norwegian Research Council Centre of Excellence grant.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,005
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,397
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe LancetMême sujetInsurance, Mortality, Demography, Risk ManagementTravaux en français237 207