Comparing US prevention efforts to other high-income countries
Notice bibliographique
Résumé
Life expectancy in the USA is considerably lower than in most high-income countries, with many deaths considered preventable. The extent by which poor performance on prevention measures and public health policies in the USA could be contributing to this issue is not well understood. To address this issue, we compared publicly available population-based indicators of health care across different levels of prevention in the USA and six high-income countries (ie, Australia, Canada, Germany, France, Sweden, and the UK) and Organisation for Economic Co-operation and Development countries between 2010 and 2023. Relative to comparator countries, the USA had a younger population and lower smoking rates, but it had higher obesity prevalence, calorie intake, illicit drug use, and gun and vehicle ownership. Regarding public health policies that lie largely outside the health-care system, the USA compared unfavourably to comparator countries. For measures dependent on the health-care system, the USA performed well across several measures of clinical prevention, including screening rates and diagnosis and control of chronic conditions. However, the USA was worse on measures of access to health care and coverage. While the USA performs well in prevention efforts within the health-care system compared with other countries for people with access to the system, it faces greater risk from external factors, generally worse dietary intake, and implements weaker public health prevention and regulation against harmful products that might exacerbate these issues. To improve population health, policy makers should prioritise multi-sectoral investments in prevention policies and improve access to health care.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».