Epidemiology of injuries from fire, heat and hot substances: global, regional and national morbidity and mortality estimates from the Global Burden of Disease 2017 study
Notice bibliographique
Résumé
Background Past research has shown how fires, heat and hot substances are important causes of health loss globally. Detailed estimates of the morbidity and mortality from these injuries could help drive preventative measures and improved access to care. Methods We used the Global Burden of Disease 2017 framework to produce three main results. First, we produced results on incidence, prevalence, years lived with disability, deaths, years of life lost and disability-adjusted life years from 1990 to 2017 for 195 countries and territories. Second, we analysed these results to measure mortality-to-incidence ratios by location. Third, we reported the measures above in terms of the cause of fire, heat and hot substances and the types of bodily injuries that result. Results Globally, there were 8 991 468 (7 481 218 to 10 740 897) new fire, heat and hot substance injuries in 2017 with 120 632 (101 630 to 129 383) deaths. At the global level, the age-standardised mortality caused by fire, heat and hot substances significantly declined from 1990 to 2017, but regionally there was variability in age-standardised incidence with some regions experiencing an increase (eg, Southern Latin America) and others experiencing a significant decrease (eg, High-income North America). Conclusions The incidence and mortality of injuries that result from fire, heat and hot substances affect every region of the world but are most concentrated in middle and lower income areas. More resources should be invested in measuring these injuries as well as in improving infrastructure, advancing safety measures and ensuring access to 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».