Educational differences in mortality across age groups in Sierra Leone: Findings from the HEAL-SL national mortality survey, 2019–2024
Notice bibliographique
Résumé
• In Sierra Leone, neonatal mortality rates increased with increased education of household head. • Child and adult mortality rates declined with increased education of the household head. • Death rates from malaria and certain infectious diseases declined with higher education levels. • Increased education leads to overall better health and less avoidable premature mortality. Education and mortality are strongly correlated. However, few studies in low- and middle-income settings have quantified its association with child and adult mortality. This study examined age- and cause-specific mortality patterns by household education level in Sierra Leone. We used representative household and mortality data for 2019-2024 from the Healthy Sierra Leone national mortality study (HEAL-SL), covering 5% of the population using household interviews and electronic verbal autopsies with dual central physician assignment of causes. We calculated all-cause and cause-specific mortality rates by age at death and sex, and education level of household head, using cause-of-death data from HEAL-SL and demographic data from the United Nations World Population Prospects 2022 and UNICEF. Among 15,512 deaths analysed, for almost all age groups, mortality rates were highest in families with low education levels and lowest in those with higher education levels, with notable exceptions. The opposite pattern was true for neonates. Birth asphyxia and trauma were more frequent causes of neonatal deaths in higher education households, while sepsis and infections were more common in lower education households. Among adults aged 30-69 years, cardiovascular mortality increased with household education level. Mortality rates for malaria, the leading cause of death at all ages except neonates, decreased sharply with increasing education among children, but were similar among adults across education levels. The study concludes that household education level is a strong predictor of mortality across age groups and sexes in Sierra Leone. These findings reinforce the importance of nationwide mortality studies in low-income countries.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».