Socioeconomic drivers of encephalitis burden in the post-COVID era: a 204-country analysis from global burden of disease study 2021
Notice bibliographique
Résumé
Background: Encephalitis, an inflammatory central nervous system disease causing significant morbidity and mortality, disproportionately affects low- and middle-income countries (LMICs) due to healthcare disparities. Encephalitis has diverse etiologies-viral, autoimmune, bacterial, parasitic-each with distinct clinical and epidemiological features. Despite declining global age-standardized rates since 1990, inequities in diagnostics, vaccine coverage, and critical care persist, worsened by COVID-19 pandemic, which delayed diagnoses and disrupted vaccinations. Methods: Using Global Burden of Disease (GBD) 2021 data, we analyzed age-standardized prevalence, incidence, mortality, and disability-adjusted life-years (DALYs) across 204 countries (1990-2021). We used the Bayesian Age-Period-Cohort model with integrated nested Laplace approximation to predict encephalitis' future trends, through 2040, enhancing the study's predictive value. Sociodemographic Index (SDI) stratification and Bayesian meta-regression models assessed trends, with significance determined via 95% uncertainty intervals and estimated annual percentage change (EAPC). Results: In 2021, 4.64 million individuals worldwide were affected by encephalitis (1.49 million new cases; 92,000 deaths), encompassing cases spanning acute, subacute, and chronic stages of the disease. Low-middle SDI regions bore 3-5 times higher burdens than high-SDI regions. South Asia had the highest burden (age-standardized prevalence rate [ASPR]: 140.9/100,000; incidence [ASIR]: 51.3/100,000), while Australasia reported the lowest (ASPR: 1.94/100,000). High-SDI countries showed distinct patterns, such as rising incidence in Australia. COVID-19 was associated with an 18% increase in DALYs in high-burden regions. National disparities were stark: Pakistan, India, and Nepal had the highest burdens; Canada, the lowest. The encephalitis burden was greater in children than in other age groups. Conclusion: This analysis advances prior GBD research by integrating post-COVID-19 insights and future burden forecasts, filling pre-pandemic study gaps. GBD dataset does not differentiate etiological subtypes, limiting our analysis granularity given encephalitis' clinical and epidemiological heterogeneity. Socioeconomic inequities drive encephalitis burden, necessitating targeted interventions: scaling Japanese encephalitis vaccination in South Asia, strengthening African diagnostic hubs, and integrating climate-resilient surveillance. Post-pandemic recovery must prioritize healthcare infrastructure, telehealth, and policies addressing poverty and education. Global collaboration is critical to mitigate disparities and optimize region-specific strategies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,006 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».