How does taxation affect liver cirrhosis across age groups? An analysis of alcohol control policies on liver cirrhosis outcomes in Lithuania between 2001 and 2022
Notice bibliographique
Résumé
BACKGROUND: Lithuania, a European country, has a history of high alcohol consumption per capita. To reduce harm, Lithuania has implemented the World Health Organization 'best buys' for alcohol control policies, notably two taxation policies in 2008 and 2017. Taxation may affect segments of the population differently; to explore this question, we investigated the effects on liver cirrhosis. AIMS: To analyze the effect of taxation on liver cirrhosis hospitalizations and mortality across four age groups in Lithuania. METHODS: Using a general additive mixed model, we tested taxation on monthly hospitalization and mortality rates between 2001 and 2022 (n = 264 months) across four age groups (young adults: 15-34, middle-aged adults: 35-54, older adults: 55-74, and seniors: 75+ years of age, respectively). We computed standardized hospitalizations and mortality rates (admissions and deaths per 100 000 people) based on summed counts of alcoholic liver disease and fibrosis and cirrhosis of the liver according to the International Classification of Diseases 10th Revision. FINDINGS: Taxation was associated with the largest downward trend in liver cirrhosis mortality among middle-aged and older adults, equivalent to two fewer deaths per 100 000 individuals. In older adults and seniors, taxation was associated with downward trends in hospitalizations, but effects were less robust. CONCLUSION: Taxation may lead to decreases in liver cirrhosis mortality across all age groups but appears to be less consistently impactful for hospitalizations. Younger and middle-aged individuals may experience increased hospitalizations. Taxation appears to impact subsections of the population differently.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,000 |
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 ».