Trends in economic indicators, alcohol use, and alcohol-attributable health indicators in India
Notice bibliographique
Résumé
AIMS: Economic development leading a country from a low- to middle-income status is usually associated with increases in alcohol consumption and decreases in all-cause mortality, despite increases in alcohol-attributable mortality. We analyzed this tradition for India during the years 2000-19, with attention to alcohol policy. METHODS: Joinpoint analysis identified points of trend change and associated slopes for alcohol-attributable mortality and burden (disability-adjusted life years) between 2000 and 2019. Structural equation modeling assessed the relationship among adult alcohol per capita consumption, gross domestic product per capita at purchasing power parity (GDP-PPP per capita), alcohol-attributable mortality, and all-cause mortality, where mortality rates were log-transformed in the models. Pearson correlation was evaluated among study variables. Literature review examined alcohol policies in India. RESULTS: During the first decade between 2000 and 2019, a rapidly and steadily increasing GDP-PPP per capita was associated with marked increases in alcohol consumption and decreases in all-cause mortality, despite increasing alcohol-attributable mortality. After 2010, the economic growth still increased, but the increase in alcohol consumption halted, likely due to strong alcohol control policies in availability restrictions (dry states, dry periods, high legal purchasing age and restrictions in density, and purchasing hours), as well as a high tax share on final price. CONCLUSION: Alcohol policies seem to have prevented further increases in alcohol consumption and attributable harm and thus should be upheld. Otherwise, increases in these harms will prevent India from fully reaping the health benefits of economic development.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».