Multiple causes of death data to track trends of mortality from chronic diseases: Insights from the COVID-19 pandemic in Switzerland
Notice bibliographique
Résumé
PURPOSE: With the rising prevalence of multi-morbidity among aging populations and disruptive events as new infectious disease threats, the traditional focus on the underlying cause of death (UCOD) can obscure the contribution of chronic diseases to mortality trends. The multiple cause of death (MCOD) approach addresses this limitation by considering all causes recorded on a death certificate. We aimed to quantify the effect of the COVID-19 pandemic on trends of chronic disease mortality by comparing the UCOD and MCOD approaches. METHODS: We conducted a population-based time series analysis using all deaths occurred 2011-2022 in Switzerland. We modelled pre-pandemic (2011-2019) trends to predict the expected chronic disease deaths during 2020-2022 had the pandemic not occurred. We quantified the monthly effect of the pandemic as the observed minus expected chronic disease deaths and estimated these effects by sex and age using (1) the UCOD and (2) the MCOD. RESULTS: Both approaches revealed similar overall trends of effects. However, a marked discrepancy occurred at the end of 2020, when Switzerland experienced the highest COVID-19 mortality, with MCOD quantifying a substantially higher excess of chronic disease deaths compared to UCOD. CONCLUSION: MCOD complements UCOD in quantifying cause-specific mortality trends and may improve population health monitoring.
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 | 0,002 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».